Targeting Predictors Via Partial Distance Correlation With Applications to Financial Forecasting
基于偏距离相关的预测变量筛选及其金融预测应用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：摘要针对时序依赖构造高维变量筛选方法，并应用于美国市场收益预测，直接对应时间序列与收益预测方向。
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
基于偏距离相关的预测变量筛选及其金融预测应用
- 研究问题
- 面对高维且存在时间依赖的经济金融数据，如何筛出有预测信息的变量，并用于单变量、VAR等模型与市场收益预测？
- 方法与思路
- 作者基于偏距离相关提出不依赖特定模型的变量筛选方法，覆盖含外生预测变量的非线性自回归模型以及线性、非线性VAR模型。
- 材料陈述的贡献
- 摘要称证明了sure screening性质，其成立受矩条件和依赖强度等因素约束；模拟及美国市场收益预测应用展示了有效性。
- 阅读关注点
- 阅读时核对偏距离相关如何控制其他变量、筛选阈值与维度增长限制、依赖及矩条件，并检查市场收益预测的样本外评价设计。
- 阅读边界
- 摘要未列出维度增长限制、筛选阈值、预测评价设计或相对基准的改进幅度，不能据此断定各种依赖结构下都有效。
原文摘要
High-dimensional time series datasets are becoming increasingly common in various fields of economics and finance. Given the ubiquity of time series data, it is crucial to develop efficient variable screening methods that use the unique features of time series. This article introduces several model-free screening methods based on partial distance correlation and developed specifically to deal with time-dependent data. Methods are developed both for univariate models, such as nonlinear autoregressive models with exogenous predictors (NARX), and multivariate models such as linear or nonlinear VAR models. Sure screening properties are proved for our methods, which depend on the moment conditions, and the strength of dependence in the response and covariate processes, amongst other factors. We show the effectiveness of our methods via extensive simulation studies and an application on forecasting U.S. market returns.