On LASSO for predictive regression
预测回归中的 LASSO 方法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：摘要明确讨论平稳、局部单位根和协整预测变量，并应用于股票超额收益预测，支持时间序列与收益预测分类。
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
预测回归中的 LASSO 方法
- 研究问题
- 研究预测变量信号较弱且持久性不同的预测回归中，LASSO 能否同时实现变量筛选与系数估计一致性，尤其如何处理协整变量。
- 方法与思路
- 作者分析平稳、局部单位根及协整预测变量下的 LASSO 局限，提出选择后的双重自适应 LASSO，以恢复异质回归量系统的选择一致性。
- 材料陈述的贡献
- 摘要称，自适应 LASSO 无法渐近剔除全部零系数协整变量，新方法恢复选择一致性并具有 oracle 性质，且用于标普五百超额收益预测。
- 阅读关注点
- 应核对弱信号、持久性和协整结构的具体设定，两阶段选择及惩罚参数条件，并检查 oracle 性质与长短期预测评价的区别。
- 阅读边界
- 仅依据所给出版社摘要，无法判断有限样本选变量准确率或实际预测改善；渐近 oracle 性质不能直接保证样本外收益预测表现。
原文摘要
Explanatory variables in a predictive regression typically exhibit low signal strength and various degrees of persistence. Variable selection in such a context is of great importance. In this paper, we explore the pitfalls and possibilities of the LASSO methods in this predictive regression framework. In the presence of stationary, local unit root, and cointegrated predictors, we show that the adaptive LASSO cannot asymptotically eliminate all cointegrating variables with zero regression coefficients. This new finding motivates a novel post-selection adaptive LASSO, which we call the twin adaptive LASSO (TAlasso), to restore variable selection consistency. Accommodating the system of heterogeneous regressors, TAlasso achieves the well-known oracle property. In contrast, conventional LASSO fails to attain coefficient estimation consistency and variable screening in all components simultaneously. We apply these LASSO methods to evaluate the short- and long-horizon predictability of S&P 500 excess returns.