Hierarchical Regularizers for Reverse Unrestricted Mixed Data Sampling Regressions
反向无约束混频回归的层级正则化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：摘要研究混频滞后回归，并明确包含已实现波动率预测应用，对应时间序列与波动率。
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
反向无约束混频回归的层级正则化
- 研究问题
- 用低频变量解释高频响应时，频率差异会扩大参数维度并减少可用估计样本，如何通过系数合并和正则化缓解这些问题？
- 方法与思路
- 作者在 RU-MIDAS 中合并高频系数，并设计遵循滞后时间顺序的凸稀疏正则项，使包含较新信息的滞后系数优先进入模型。
- 材料陈述的贡献
- 摘要提出兼顾系数合并与时间层级稀疏性的混频回归方法，并展示宏观变量预测已实现波动率及共享单车需求预测应用。
- 阅读关注点
- 应核对系数合并的限制、层级惩罚的形式与调参方式，以及预测评价是否采用适当样本外设计和可比的信息集。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；摘要未报告预测改善幅度、理论误差界或各应用的具体设计。
原文摘要
Reverse Unrestricted MIxed DAta Sampling (RU-MIDAS) regressions are used to model high-frequency responses by means of low-frequency variables. However, due to the periodic structure of RU-MIDAS regressions, the dimensionality grows quickly if the frequency mismatch between the high- and low-frequency variables is large. Additionally the number of high-frequency observations available for estimation decreases. We propose to counteract this reduction in sample size by pooling the high-frequency coefficients and further reduce the dimensionality through a sparsity-inducing convex regularizer that accounts for the temporal ordering among the different lags. To this end, the regularizer prioritizes the inclusion of lagged coefficients according to the recency of the information they contain. We demonstrate the proposed method on two empirical applications, one on realized volatility forecasting with macroeconomic data and another on demand forecasting for a bicycle-sharing system with ridership data on other transportation types.