Lassoed Boosting and Linear Prediction in the Equities Market
Lasso 筛选后的提升回归与股票收益线性预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将两阶段线性估计用于股票收益预测，并以预测均方误差比较方法，最直接对应金融收益预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
Lasso 筛选后的提升回归与股票收益线性预测
- 研究问题
- 在线性回归与股票收益预测中，先筛选变量再重估系数的两阶段方法，能否兼顾预测误差表现与模型稀疏性？
- 方法与思路
- 作者先用 lasso 筛选变量，再对各组入选变量使用最小二乘提升法重估系数，通过大规模模拟和股票收益预测比较。
- 材料陈述的贡献
- 摘要称，该方法的模拟表现与 relaxed lasso 相当，部分设定下更稀疏；股票收益应用中具有所比较方法里最小预测均方误差。
- 阅读关注点
- 应核对筛选路径、提升停止规则与调参方式，并检查收益预测的样本外划分、基线设置及稀疏性优势适用的情形。
- 阅读边界
- 仅据 arXiv 预印本摘要解读，同行评审及期刊接收未经核实；摘要未报告误差数值或稳定性，不能推广为普遍优势。
原文摘要
We consider a two-stage estimation method for linear regression. First, it uses the lasso in Tibshirani (1996) to screen variables and, second, re-estimates the coefficients using the least-squares boosting method in Friedman (2001) on every set of selected variables. Based on the large-scale simulation experiment in Hastie et al. (2020), lassoed boosting performs as well as the relaxed lasso in Meinshausen (2007) and, under certain scenarios, can yield a sparser model. Applied to predicting equity returns, lassoed boosting gives the smallest mean-squared prediction error compared to several other methods.