Predictive quantile regression with mixed roots and increasing dimensions: The ALQR approach
混合单位根与增长维度下的预测分位数回归：ALQR 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：摘要直接涉及股票收益分位数预测，以及平稳、单位根和协整变量构成的时间序列设定。
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
混合单位根与增长维度下的预测分位数回归：ALQR 方法
- 研究问题
- 当预测变量同时具有不同持久性和信号强度，且变量数量随样本增长时，如何开展股票收益分位数预测并进行变量选择？
- 方法与思路
- 作者将 adaptive lasso 用于预测分位数回归，允许平稳、局部单位根及协整预测变量同时存在，并研究相应估计与选择理论。
- 材料陈述的贡献
- 摘要称，论文给出收敛率、模型选择一致性和渐近分布；股票收益样本外应用优于所比较方法，额外模拟也支持理论结果。
- 阅读关注点
- 应核对混合持久性设定的正则条件、维度增长限制、惩罚权重和调参方式，以及分位数预测比较的基准与损失函数。
- 阅读边界
- 仅据所给出版社摘要，无法确定理论容许的维度增长速度或各基准的表现；具体条件、误差数值及其他版本变化均未说明。
原文摘要
In this paper we propose the adaptive lasso for predictive quantile regression (ALQR). Reflecting empirical findings, we allow predictors to have various degrees of persistence and exhibit different signal strengths. The number of predictors is allowed to grow with the sample size. We study regularity conditions under which stationary, local unit root, and cointegrated predictors are present simultaneously. We next show the convergence rates, model selection consistency, and asymptotic distributions of ALQR. We apply the proposed method to the out-of-sample quantile prediction problem of stock returns and find that it outperforms the existing alternatives. We also provide numerical evidence from additional Monte Carlo experiments, supporting the theoretical results.