High-dimensional macroeconomic forecasting and variable selection via penalized regression
基于折叠凹惩罚回归的高维宏观预测与变量选择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：摘要明确研究时间依赖高维回归，并使用月度数据和MIDAS框架预测季度美国GDP。
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
基于折叠凹惩罚回归的高维宏观预测与变量选择
- 研究问题
- 在变量维度远超样本量且解释变量存在时间依赖时，折叠凹惩罚回归如何实现稀疏变量选择并用于宏观经济预测？
- 方法与思路
- 作者在时间序列框架分析惩罚回归，推导超高维相关解释变量下的预言不等式，并以惩罚MIDAS预测GDP及筛选隐含组合。
- 材料陈述的贡献
- 摘要称建立了相应预言不等式；美国季度GDP预测和纽约证券交易所股票数据应用显示出良好的预测与变量选择表现。
- 阅读关注点
- 应核对时间依赖和稀疏性条件、惩罚参数选择、MIDAS的混频处理，以及预测比较与组合筛选的评价设计。
- 阅读边界
- 摘要未给出误差界具体形式、调参流程、比较基准或改善数值；组合筛选结果也不能直接视为股票收益预测证据。
原文摘要
Summary This study examines high-dimensional forecasting and variable selection via folded-concave penalized regressions. The penalized regression approach leads to sparse estimates of the regression coefficients and allows the dimensionality of the model to be much larger than the sample size. First, we discuss the theoretical aspects of a penalized regression in a time series setting. Specifically, we show the oracle inequality with ultra-high-dimensional time-dependent regressors. Then we show the validity of the penalized regression using two empirical applications. First, we forecast quarterly US gross domestic product data using a high-dimensional monthly data set and the mixed data sampling (MIDAS) framework with penalization. Second, we examine how well the penalized regression screens a hidden portfolio based on a large New York Stock Exchange stock price data set. Both applications show that a penalized regression provides remarkable results in terms of forecasting performance and variable selection.