对部分线性模型的aglasso(adaptive group lasso)参数估计及变量选择问题进行研究.通过构造aglasso的估计函数,将分组部分线性模型变量的选择问题转化为分组因子的选择问题.理论研究表明:该方法能相合地识别真实模型,并且估计具有oracl...对部分线性模型的aglasso(adaptive group lasso)参数估计及变量选择问题进行研究.通过构造aglasso的估计函数,将分组部分线性模型变量的选择问题转化为分组因子的选择问题.理论研究表明:该方法能相合地识别真实模型,并且估计具有oracle性质.最后通过模拟研究了所提方法的有限样本性质.展开更多
功能超网络广泛地应用于脑疾病诊断和分类研究中,而现有的关于超网络创建的研究缺乏解释分组效应的能力或者仅考虑到脑区间组级的信息,这样构建的脑功能超网络会丢失一些有用的连接或包含一些虚假的信息,因此,考虑到脑区间的组结构问题...功能超网络广泛地应用于脑疾病诊断和分类研究中,而现有的关于超网络创建的研究缺乏解释分组效应的能力或者仅考虑到脑区间组级的信息,这样构建的脑功能超网络会丢失一些有用的连接或包含一些虚假的信息,因此,考虑到脑区间的组结构问题,引入sparse group Lasso(sgLasso)方法进一步改善超网络的创建。首先,利用sgLasso方法进行超网络创建;然后,引入两组超网络特有的属性指标进行特征提取以及特征选择,这些指标分别是基于单一节点的聚类系数和基于一对节点的聚类系数;最后,将特征选择后得到的两组有显著差异的特征通过多核学习进行特征融合和分类。实验结果表明,所提方法经过多特征融合取得了87.88%的分类准确率。该结果表明为了改善脑功能超网络的创建,需要考虑到组信息,但不能逼迫使用整组信息,可以适当地对组结构进行扩展。展开更多
传统的CVaR条件风险价值组合投资模型能够很好的度量市场风险，但是容易在决策的过程中产生极端的投资权重，对CVaR模型增加一般范数约束后可以解决极端投资权重的问题，但却忽略了金融市场上常见的板块联动效应。基于上述原因，文章在...传统的CVaR条件风险价值组合投资模型能够很好的度量市场风险，但是容易在决策的过程中产生极端的投资权重，对CVaR模型增加一般范数约束后可以解决极端投资权重的问题，但却忽略了金融市场上常见的板块联动效应。基于上述原因，文章在传统的CVaR模型的基础上，施加Adaptive Group LASSO惩罚，构建了一种基于Adaptive Group LASSO的CVaR高维组合投资模型，通过Adaptive Group LASSO分位数回归求解算法，实现了在消除极端投资头寸的同时达到金融资产组水平上变量稀疏化的目的。最后，蒙特卡洛模拟与实证研究均发现，与传统的CVaR组合投资模型以及带有LAS—SO约束的CVaR组合投资模型相比，基于Adaptive Group LASSO的CVaR模型能够更好的考虑板块联动效应，并在行业组水平上选择相应的金融资产。展开更多
Multiple change-points estimation for functional time series is studied in this paper.The change-point problem is first transformed into a high-dimensional sparse estimation problem via basis functions.Group least abs...Multiple change-points estimation for functional time series is studied in this paper.The change-point problem is first transformed into a high-dimensional sparse estimation problem via basis functions.Group least absolute shrinkage and selection operator(LASSO)is then applied to estimate the number and the locations of possible change points.However,the group LASSO(GLASSO)always overestimate the true points.To circumvent this problem,a further Information Criterion(IC)is applied to eliminate the redundant estimated points.It is shown that the proposed two-step procedure estimates the number and the locations of the change-points consistently.Simulations and two temperature data examples are also provided to illustrate the finite sample performance of the proposed method.展开更多
目前商业银行面临的个人信用风险问题极其复杂,如何对个人信用风险进行管理非常重要。个人信用风险建模是其中很关键的一步。利用某商业银行信用卡数据,构建信用评分模型,预测客户的违约概率。通过采用ROSE(random over sampling exampl...目前商业银行面临的个人信用风险问题极其复杂,如何对个人信用风险进行管理非常重要。个人信用风险建模是其中很关键的一步。利用某商业银行信用卡数据,构建信用评分模型,预测客户的违约概率。通过采用ROSE(random over sampling examples)方法处理类别不均衡的问题,利用Group-Lasso(AUC准则)方法进行变量选择,构建基于Logistic回归的信用评分模型。实证结果表明,该方法对样本数据进行类别不均衡处理的结果比其他模型在判别能力和预测能力上更为有效。采用该方法所构建的模型能够作为客户信用评价决策的有效依据,指导银行及其他金融机构评估顾客个人信用风险,在实际运用中具有良好的可操作性。展开更多
文摘对部分线性模型的aglasso(adaptive group lasso)参数估计及变量选择问题进行研究.通过构造aglasso的估计函数,将分组部分线性模型变量的选择问题转化为分组因子的选择问题.理论研究表明:该方法能相合地识别真实模型,并且估计具有oracle性质.最后通过模拟研究了所提方法的有限样本性质.
文摘功能超网络广泛地应用于脑疾病诊断和分类研究中,而现有的关于超网络创建的研究缺乏解释分组效应的能力或者仅考虑到脑区间组级的信息,这样构建的脑功能超网络会丢失一些有用的连接或包含一些虚假的信息,因此,考虑到脑区间的组结构问题,引入sparse group Lasso(sgLasso)方法进一步改善超网络的创建。首先,利用sgLasso方法进行超网络创建;然后,引入两组超网络特有的属性指标进行特征提取以及特征选择,这些指标分别是基于单一节点的聚类系数和基于一对节点的聚类系数;最后,将特征选择后得到的两组有显著差异的特征通过多核学习进行特征融合和分类。实验结果表明,所提方法经过多特征融合取得了87.88%的分类准确率。该结果表明为了改善脑功能超网络的创建,需要考虑到组信息,但不能逼迫使用整组信息,可以适当地对组结构进行扩展。
文摘传统的CVaR条件风险价值组合投资模型能够很好的度量市场风险，但是容易在决策的过程中产生极端的投资权重，对CVaR模型增加一般范数约束后可以解决极端投资权重的问题，但却忽略了金融市场上常见的板块联动效应。基于上述原因，文章在传统的CVaR模型的基础上，施加Adaptive Group LASSO惩罚，构建了一种基于Adaptive Group LASSO的CVaR高维组合投资模型，通过Adaptive Group LASSO分位数回归求解算法，实现了在消除极端投资头寸的同时达到金融资产组水平上变量稀疏化的目的。最后，蒙特卡洛模拟与实证研究均发现，与传统的CVaR组合投资模型以及带有LAS—SO约束的CVaR组合投资模型相比，基于Adaptive Group LASSO的CVaR模型能够更好的考虑板块联动效应，并在行业组水平上选择相应的金融资产。
基金NSFC(Grant No.12171427/U21A20426/11771390)Zhejiang Provincial Natural Science Foundation(Grant No.LZ21A010002)the Fundamental Research Funds for the Central Universities(Grant No.2021XZZX002)。
文摘Multiple change-points estimation for functional time series is studied in this paper.The change-point problem is first transformed into a high-dimensional sparse estimation problem via basis functions.Group least absolute shrinkage and selection operator(LASSO)is then applied to estimate the number and the locations of possible change points.However,the group LASSO(GLASSO)always overestimate the true points.To circumvent this problem,a further Information Criterion(IC)is applied to eliminate the redundant estimated points.It is shown that the proposed two-step procedure estimates the number and the locations of the change-points consistently.Simulations and two temperature data examples are also provided to illustrate the finite sample performance of the proposed method.
文摘目前商业银行面临的个人信用风险问题极其复杂,如何对个人信用风险进行管理非常重要。个人信用风险建模是其中很关键的一步。利用某商业银行信用卡数据,构建信用评分模型,预测客户的违约概率。通过采用ROSE(random over sampling examples)方法处理类别不均衡的问题,利用Group-Lasso(AUC准则)方法进行变量选择,构建基于Logistic回归的信用评分模型。实证结果表明,该方法对样本数据进行类别不均衡处理的结果比其他模型在判别能力和预测能力上更为有效。采用该方法所构建的模型能够作为客户信用评价决策的有效依据,指导银行及其他金融机构评估顾客个人信用风险,在实际运用中具有良好的可操作性。
