.png){kind=icon}
返回
Regularized Interval-Valued Time Series Modeling
.png){kind=icon}
PRE
AI
DOI：10.1080/07350015.2026.2675481.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过将区间视为不可分割的集合，本文提出了高维区间值时间序列的稀疏机器学习回归方法。利用LASSO或自适应LASSO技术，我们开发了一种惩罚最小距离估计方法，该方法涵盖了点估计量为特例的情况。我们建立了所提出的惩罚估计量的一致性和oracle性质，无论预测变量数量是否比样本量增长得更快或更慢。蒙特卡洛模拟表明了所提出估计量的优良有限样本性质。区间值原油价格预测和稀疏指数跟踪投资组合构建的实证应用，说明了我们方法相对于包括随机森林和多层感知器在内的竞争方法（针对区间值数据）的鲁棒性和有效性。我们的发现强调了正则化技术在区间值时间序列分析中的潜力，为金融预测和投资组合管理提供了新的见解。
Keyword:
Forecasting
High-dimensional modeling
Interval-valued time series
Regularization
Sparse linear regression
期刊
J
IF:
2.5
论文数:
118
被引数:
0
机构
引用论文
暂无论文信息