维数发散乘积回归模型的M估计

针对乘积回归模型,本文提出了非凹惩罚最小乘积相对误差的M估计(简称为惩罚MLPRE),该方法可有效处理高维样本量及参数维数随样本量增大而增大的稀疏乘积回归模型.基于一些正则条件,本文得到惩罚M-LPRE参数估计的相合性和渐近正态性等理论性质,通过数值模拟和实例分析,验证了惩罚M-LPRE准则的有效性.     

基于LASSO变量选择方法的网络广告点击率预测模型研究

与传统的的媒体营销模式相比,搜索引擎广告因其精准和投入低等特点获得巨大成功。但已有的搜索引擎广告点击率模型不能有效解决数据量大及特征维度高的问题,使预测结果的准确性大打折扣。本文构建了一种基于LASSO变量选择方法的广告点击率预测模型,能有效克服现有广告点击率模型在处理数据高维性和稀疏性方面的不足。利用某公司的竞价数据对模型进行验证,结果表明影响广告点击率的关键因素是广告关键词中的商标信息、地域信息和每点击成本。该研究结果为企业制定搜索引擎广告营销策略提供一定的理论依据。     

测量误差模型的自适应LASSO变量选择方法研究

本文研究测量误差模型的自适应LASSO(least absolute shrinkage and selection operator)变量选择和系数估计问题.首先分别给出协变量有测量误差时的线性模型和部分线性模型自适应LASSO参数估计量,在一些正则条件下研究估计量的渐近性质,并且证明选择合适的调整参数,自适应LASSO参数估计量具有oracle性质.其次讨论估计的实现算法及惩罚参数和光滑参数的选择问题.最后通过模拟和一个实际数据分析研究了自适应LASSO变量选择方法的表现,结果表明,变量选择和参数估计效果良好.     

高维混料模型的LASSO变量选择

变量选择是统计建模中重要的问题。当试验数据维数很高时,传统变量选择方法的应用受到了很多制约。本文以高维混料试验为基础,比较了AIC准则和LASSO在变量选择问题上的优良性。通过实例验证,LASSO可以快速且准确地对高维混料模型中的变量进行筛选,从而得出最优模型,达到降低成本、提高利益的目的。     

金融市场下非负稀疏组LASSO在股指跟踪中的研究

作为一种流行的被动投资组合管理策略,指数跟踪主要侧重于复制或跟踪金融指数的表现.以股指为例,传统的投资策略通常考虑指数所有成分股的完全复制.然而,随着指数成分股数量的增加,完全复制通常会受到流动性差以及成本高的影响.因此,投资者倾向于购买部分成分股进行资产配置.此外,在股票市场中,股票之间还存在明显的"组群"效应.基于...     

基于Group-LASSO方法的广义半参数可加信用评分模型应用研究

信用风险是目前商业银行面临的风险中最为重要和最为复杂的,新巴塞尔协议要求各国条件的银行通过实施内部评级法来度量并控制信用风险,内部评级法即通过银行收集的客户相历史数据来构建数学模型,测算客户的违约概率进而对客户进行评分。文章针对信用评分模型解释变量维数较高,类型丰富,好坏客户类型数量不均衡等特点,利用广义半参数可加模型对户违约概率进行建模,并将Group LASSO方法应用于模型进行变量选择和估计。实证研究表明本文提出的模型和方法与以往常用的线性logistic回归模型相比,在模型的判别能力和预测能以及解释性和计算效率上均有较大优势。     

基于LASSO复合分位数回归的钢材力学性能预测

钢材力学性能的提高对于提高钢材品质,充分适应市场需求有重要的意义.研究了热轧带钢的抗拉强度与各生产参数和工艺参数之间的关系,采用基于LASSO的复合分位数回归模型(Composite Quantile Regression,CQR),根据BIC准则选择合适的调整参数,选择出15个有重要影响的变量,建立基于这15个变量的预测模型.结果表明,将数据按70%和30%分成训练集和测试集,得到训练集的百分比误差(MAPE)和均方根误差(RMSE)分别为2.61%和23.42,测试集的百分比误差(MAPE)和均方根误差(RMSE)分别为2.58%和22.52.将本文所用的模型与两种不同的变量选择方法和三种不同的预测模型进行了对比,可得本文中所用的模型计算精度高,模型泛化能力强,为钢产品的设计和优化提供参考.     

二元选择分位回归的自适应LASSO改进

为避免模型出现过拟合,将自适应LASSO变量选择方法引入二元选择分位回归模型,利用贝叶斯方法构建Gibbs抽样算法并在抽样中设置不影响预测结果的约束条件‖β‖=1以提高抽样值的稳定性.通过数值模拟,表明改进的模型有更为良好的参数估计效率、变量选择功能和分类能力.     

面板数据分位回归中适应性LASSO调节参数的选择

在带有罚函数的变量选择中,调节参数的选择是一个关键性问题,但遗憾的是,在大多数文献中,调节参数选择的方法较为模糊,多凭经验,缺乏系统的理论方法.本文基于含随机效应的面板数据模型,提出分位回归中适应性LASSO调节参数的选择标准惩罚交叉验证准则(PCV),并讨论比较了该准则与其他选择调节参数的准则的效果.通过对不同分位点进行模拟,我们发现当残差E来自尖峰分布和厚尾分布时,该准则能更好地估计模型参数,尤其对于高分位点和低分位点而言.选取其他分位点时,PCV的效果虽稍逊色于Schwarz信息准则,但明显优于A1kaike 信息准则和交叉验证准则.且在选择变量的准确性方面,该准则比Schwarz信息准则、Akaike信息准则等更加有效.文章最后对我国各地区多个宏观经济指标的面板数据进行建模分析,展示了惩罚交叉验证准则的性能,得到了在不同分位点处宏观经济指标之间的回归关系.     

���ع�ģ�͵�Smooth LASSO��Spline LASSO����ѡ��

??Considering a parameter estimation and variable selection problem in logistic regression, we propose Smooth LASSO and Spline LASSO. When the variables is continuous, using Smooth LASSO can select local constant coefficient in each group. However, in some case, the coefficient might be different and change smoothly. Using Spline Lasso to estimate parameter is more appropriate. In this article, we prove the reliability of the model by theory. Finally using coordinate descent algorithm to solve the model. Simulations show that the model works very effectively both in feature selection and prediction accuracy.     

Variable Selection for Logistic Regression via Smooth LASSO and Spline LASSO

Considering a parameter estimation and variable selection problem in logistic regression, we propose Smooth LASSO and Spline LASSO. When the variables is continuous, using Smooth LASSO can select local constant coefficient in each group. However, in some case, the coefficient might be different and change smoothly. Using Spline Lasso to estimate parameter is more appropriate. In this article, we prove the reliability of the model by theory. Finally using coordinate descent algorithm to solve the model. Simulations show that the model works very effectively both in feature selection and prediction accuracy.     

Wavelet-Based Weighted LASSO and Screening Approaches in Functional Linear Regression

One useful approach for fitting linear models with scalar outcomes and functional predictors involves transforming the functional data to wavelet domain and converting the data-fitting problem to a variable selection problem. Applying the LASSO procedure in this situation has been shown to be efficient and powerful. In this article, we explore two potential directions for improvements to this method: techniques for prescreening and methods for weighting the LASSO-type penalty. We consider several strategies for each of these directions which have never been investigated, either numerically or theoretically, in a functional linear regression context. We compare the finite-sample performance of the proposed methods through both simulations and real-data applications with both 1D signals and 2D image predictors. We also discuss asymptotic aspects. We show that applying these procedures can lead to improved estimation and prediction as well as better stability. Supplementary materials for this article are available online.     

基于具有LR型模 糊输出回归模型的上证指数预测

以对称二次型模糊回归模型为基础,引入一般二次模糊回归模型,利用模糊最小二乘法估计未知参数．构建评价标准考察两模型的拟合效果,在样本期内和样本期外分别评价模型的实际拟合与预测能力．     

基于LARS-Lasso的指数跟踪及其在股指期货套利策略中的应用

本文将多元线性回归选择变量的Lasso方法引入到指数跟踪和股指期货套利策略研究,提出运用LARS算法实现非负限制下的Lasso选择现货组合问题,为业界给出了一种选择构造现货组合的股票的新方法。实证表明:采用本文提出的方法得到的现货组合,在组合含有较少数量股票的情况下,得到较文献中已有方法更小的跟踪误差。同时,利用本文的方法对沪深300仿真交易的期现套利进行研究,得到有重要市场价值的结果。     

基于粗糙回归的股票指数变化趋势研究

运用粗糙集结合回归分析预测上证指数变化趋势,首先对预测日前1个月、前1星期、前1天等8个不同时间段进行回归分析,然后根据获得的趋势建立决策表,然后运用粗糙集获取决策规则,最后利用得到的规则预测上证指数的变化趋势.测试结果表明,该方法准确率良好.     

基于股票分布模型的平均建仓成本价分析

股票价格分布理论的基础上,对平均建仓成本价及其分散程度进行了分析,发现平均建仓成本价与其一期滞后的分散程度成显著的负相关关系.     

基于协整的指数追踪及增强策略研究

选取沪深300指数和所有成分股2016年12月初至2017年5月底的所有日线级别数据,利用协整模型和追踪误差等检验指标,考察了不同追踪组合对沪深300指数及增加了10%年化收益的虚拟指数序列的追踪效果.结果发现:低PE组合、高价组合、低换手率组合在两个指数的追踪过程中均表现较好,高价组合和低换手率组合更是可以获得正的超额收益;在选择追踪组合时,单一标准优于组合标准.总的来说,协整模型能够较好实现对指数的追踪,也能够通过虚拟指数的设置,获得较为显著的alpha收益.