NETS: Network estimation for time series
NETS：时间序列网络估计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：摘要以稀疏 VAR 建模时间序列，并应用于九十只蓝筹股的波动率面板，直接支持时间序列与金融波动率分类。
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
NETS：时间序列网络估计
- 研究问题
- 如何从大量时间序列中同时估计预测性关联与同期条件关联，并利用这些网络关系解释股票波动率变化和改进样本外预测？
- 方法与思路
- 作者将时间序列面板设为 VAR，假定自回归矩阵与创新逆协方差矩阵稀疏，利用 NETS 的 LASSO 算法估计有向和无向网络。
- 材料陈述的贡献
- 摘要称模型在九十只蓝筹股的波动率应用中，解释了波动率因子之外的重要变异，并带来样本外预测改进。
- 阅读关注点
- 阅读时应核对稀疏性与调参方式、两类网络的估计误差，以及相对波动率因子的增量解释力和样本外评价设计。
- 阅读边界
- 摘要未说明样本频率、预测基准和改进幅度；格兰杰关系与同期偏相关分别表示预测及条件关联，不能据此断言结构因果关系。
原文摘要
Summary We model a large panel of time series as a vector autoregression where the autoregressive matrices and the inverse covariance matrix of the system innovations are assumed to be sparse. The system has a network representation in terms of a directed graph representing predictive Granger relations and an undirected graph representing contemporaneous partial correlations. A LASSO algorithm called NETS is introduced to estimate the model. We apply the methodology to analyze a panel of volatility measures of 90 blue chips. The model captures an important fraction of total variability, on top of what is explained by volatility factors, and improves out‐of‐sample forecasting.