Adaptive Group LASSO for the GARCH-MIDAS Model
GARCH-MIDAS 模型的自适应组 LASSOAI 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 GARCH-MIDAS 的变量选择及长期股票市场波动率预测。
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…
GARCH-MIDAS 模型的自适应组 LASSO
- 研究问题
- 在结合不同频率信息的 GARCH-MIDAS 模型中，如何筛选影响长期波动成分的变量，并构造可实施的估计方法？
- 方法与思路
- 作者在对数部分似然中加入长期成分系数的自适应组加权 L2 惩罚，通过对重要变量施加较小惩罚实现变量选择。
- 材料陈述的贡献
- 摘要称建立理论性质并给出可行算法；模拟表现接近已知正确子模型的情形，实证比较支持其长期股票波动预测表现。
- 阅读关注点
- 应核对组惩罚的完整形式、初始权重与调参方式、选择一致性条件，以及长期预测的评价指标和比较模型。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未给出理论条件、预测期限和优势数值，不能判断其他市场的表现或刊本变化。
原文摘要
This article investigates the variable selection problem in the generalized autoregressive conditional heteroscedasticity-mixed-data sampling (GARCH-MIDAS) model of Engle, Ghysels, and Sohn (Citation2013), and establishes the corresponding theoretical properties along with a feasible computational algorithm. The proposed method is based on a penalized log-partial likelihood with an adaptively group-weighted L2 penalty on the long-term component coefficients. The variable selection mechanism is implemented by assigning smaller penalties to important variables compared to unimportant ones. Simulation results indicate that the proposed method performs as effectively as if the correct submodel were known. In a comprehensive empirical comparison with existing volatility models, our approach is shown to be the preferred model for forecasting long-horizon stock market volatility.