线性回归模型多变点的LAD-LASSO估计

将最小绝对偏差(least absolute deviations,LAD)和最小绝对收缩与选择算子(least absolute shrinkage with selection operator,LASSO)相结合,研究线性回归模型多变点的估计问题,即LAD-LASSO估计。将多变点估计转化为变量选择问题,通过最小化目标函数得到变点位置及变点个数的LAD-LASSO估计。模拟比较LAD-LASSO方法与传统的LASSO方法,结果显示LAD-LASSO方法得到的变点估计值集合与真实值集合之间的Hausdorff距离更小,表明LAD-LASSO方法具有更好的稳健性。估计上海机场股票(600009)收益率数据的方差变点,验证了方法的有效性。

基于LAD-Lasso方法的利率期限结构拟合中的节点选择

将LAD-Lasso方法引入到三次样条函数中,通过LAD-Lasso来进行变量选择,确定样条函数的节点数量和位置,同时估计参数,构建模型来拟合上海证券交易所交易的国债利率期限结构.样本外预测结果显示,与传统的方法相比,新方法可以有效地选择合适的模型,增加参数估计的稳健性,简化计算步骤,提高预测的精度,增强期限结构定价的准确度.

基于LAD-LASSO方法的逐段常数序列中的变点估计

结构突变(变点)问题是统计学、经济学和信号处理等领域中的热点问题之一。当误差分布服从重尾分布或数据集含异常值时,LAD估计比OLS估计更加稳健;LASSO是一种流行的压缩估计和变量选择方法,将这两种经典的方法结合起来,提出基于LAD-LASSO的逐段常数时间序列变点估计的一种新的研究方法,其基本思想是把变点估计问题转化成变量选择问题来处理,在转化过程中对相应优化问题的约束条件仅做一次松弛。随机模拟表明:所提出的估计方法是切实可行的,算法更加简单易行,且估计结果具有很好的稳健性。

基于LAD-LASSO的多门限波动率模型估计与应用

本文研究一类具有多门限结构的条件异方差自回归模型(T-CHARM)的估计和应用。针对门限个数未知以及金融数据的厚尾性质,我们采用最小绝对偏差套索算法(LAD-LASSO)同时估计门限个数和模型的未知参数。该方法在模型误差项四阶矩不存在时仍然有效,放宽了经典LASSO方法在门限模型上的适用场合。蒙特卡洛模拟表明,在门限个数的正确识别率、门限值和波动率参数值的估计方面,LAD-LASSO方法均具有优良的有限样本表现。本文将提出的LAD-LASSO方法结合T-CHAR模型,应用于沪深300指数日度收益率数据的建模和预测。实证结果表明,与采用LAD方法估计的经典GARCH模型相比,本文提出的方法在样本内拟合和样本外预测方面均有优越表现。