Regularized Interval-Valued Time Series Modeling
区间值时间序列的正则化建模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。
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：摘要直接研究高维区间值时间序列；原油价格预测和指数跟踪并未明确涉及收益预测或其他金融细分方法。
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…
区间值时间序列的正则化建模
- 研究问题
- 如何将区间视为不可分割的集合，对高维区间值时间序列进行稀疏回归，并在预测变量数量较大时开展估计？
- 方法与思路
- 作者使用 LASSO 或自适应 LASSO 构造惩罚最小距离估计，将基于点的估计量纳入特例，并研究不同维度增长情形。
- 材料陈述的贡献
- 摘要称估计量在预测变量数量增长慢于或快于样本量时具有一致性和 oracle 性质，并在模拟、原油预测及指数跟踪中展示表现。
- 阅读关注点
- 应核对区间距离与模型运算定义、稀疏性及时间依赖条件、惩罚参数选择，以及高维理论和预测比较各自覆盖的范围。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明完整维度增长限制、oracle 条件或比较数值，应用效果不能推广到任意区间数据。
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 method, 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 grows slower or faster than the sample size. Monte Carlo simulations demonstrate the favorable finite sample properties of the proposed estimator. 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 forests and multilayer perceptrons for interval-valued data. Our findings highlight the potential of regularized techniques in interval-valued time series analysis, offering new insights for financial forecasting and portfolio management.