Realized Regularized Regressions
已实现正则化回归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：摘要直接使用截断高频增量估计连续时间回归，并分析股票与行业组合的高频因子结构，支持高频计量和金融因子分类。
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
已实现正则化回归
- 研究问题
- 当响应与协变量均为含跳跃的连续时间过程时，如何利用高频观测估计时变系数，并在候选变量增多时完成可靠的变量选择？
- 方法与思路
- 作者用样条逼近系数路径，以截断后的高频增量进行最小二乘估计，再通过带截断 ℓ₁ 惩罚的分组估计扩展到高维情形。
- 材料陈述的贡献
- 摘要称，有限维下可获得一致性与积分系数的可行渐近分布，高维下具有预言性质；股票及行业组合应用显示稀疏因子结构。
- 阅读关注点
- 应核对跳跃截断、样条维数与惩罚参数的选择，以及加密观测渐近下的条件，并检查预言性质对信号强度的要求。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；完整理论条件及实证数值未说明，也未说明如何处理微观结构噪声。
原文摘要
We develop a continuous-time penalized regression framework for the estimation of time-varying coefficients and variable selection when both the response and covariates are Itô semimartingales with jumps. The coefficient paths are approximated by spline basis expansions and estimated via least squares from truncated high-frequency increments. In a finite-dimensional setting, we establish consistency and derive a feasible asymptotic distribution for the integrated coefficient estimator under infill asymptotics. We then extend the framework to high-dimensional settings in which the number of candidate covariates diverges, and show that a group-wise penalized estimator with a truncated $\ell_1$-penalty attains the oracle property, which delivers both consistent model selection and coefficient estimation. An empirical application to a large panel of more than two hundred high-frequency factors documents sparse factor structure across a large cross-section of stocks and industry portfolios.