Sparse Interval-valued Time Series Modeling with Machine Learning
利用机器学习构建稀疏区间值时间序列模型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：摘要明确研究高维区间值时间序列的稀疏建模；价格预测和指数跟踪不足以直接归入收益预测或资产定价。
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…
利用机器学习构建稀疏区间值时间序列模型
- 研究问题
- 如何将区间视为不可分割的集合，在高维区间值时间序列中进行稀疏回归，并用于价格预测与指数跟踪组合构造？
- 方法与思路
- 作者结合 LASSO 或自适应 LASSO 构造惩罚最小距离估计，将点值估计作为特例，并讨论预测变量维度增长的情形。
- 材料陈述的贡献
- 摘要称，估计量具有一致性和预言性质，并通过模拟、区间原油价格预测及稀疏指数跟踪应用展示有限样本表现。
- 阅读关注点
- 应核对区间距离定义、稀疏性和维度增长条件、调参方式，以及与随机森林等方法比较时的预测和组合评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出理论条件或比较数值，不能据此判断方法普遍优于其他模型。
原文摘要
By treating intervals as inseparable sets, this paper proposes sparse machine learning regressions for high-dimensional interval-valued time series. With LASSO or adaptive LASSO techniques, we develop a penalized minimum distance estimation, which covers point-based estimators are special cases. We establish the consistency and oracle properties of the proposed penalized estimator, regardless of whether the number of predictors is diverging with the sample size. Monte Carlo simulations demonstrate the favorable finite sample properties of the proposed estimation. Empirical applications to interval-valued crude oil price forecasting and sparse index-tracking portfolio construction illustrate the robustness and effectiveness of our method against competing approaches, including random forest and multilayer perceptron for interval-valued data. Our findings highlight the potential of machine learning techniques in interval-valued time series analysis, offering new insights for financial forecasting and portfolio management.