计量建模与经济政策研究基础科学中心项目团队在Journal of Business & Economic Statistics发表论文

近日，“计量建模与经济政策研究”基础科学中心项目团队成员包皓文副教授、洪永淼教授、孙玉莹研究员、汪寿阳教授合作完成的学术论文“Regularized Interval-Valued Time Series Modeling”在统计学与计量经济学国际权威期刊Journal of Business & Economic Statistics在线发表。

论文提出了一种面向高维区间值时间序列的稀疏回归方法，能够充分利用区间数据所包含的水平和波动信息，并从大量区间值候选变量中有效筛选出具有重要预测作用的变量。区间数据在经济金融领域十分常见，例如资产在一定时期内的最高价和最低价构成的区间价格。相比传统点值数据，区间数据能够提供更加丰富的信息，但也给传统计量建模带来了新的挑战。现有区间数据方法大多面向低维情形，或将区间数据转换为点值数据，难以充分利用区间作为整体所包含的信息。针对这些问题，本文将区间视为不可分割的整体，基于区间之间的D_K距离，将 LASSO 和 adaptive LASSO 等正则化方法引入区间值时间序列建模，提出惩罚最小D_K距离估计方法。

在理论上，本文系统建立了所提出估计方法的大样本性质。研究证明，当变量维度随样本量增加时，惩罚估计量具有一致性和 oracle 性质；进一步地，本文将相关理论拓展至变量维度超过样本量的超高维情形。为解决正则化估计的计算问题，论文进一步提出了适用于区间数据的最小角回归算法（ILARS）。Monte Carlo 模拟结果表明，所提出的正则化方法能够有效压缩无关变量的系数，并在不同数据生成机制和维度设定下均表现出良好的有限样本性质。最后，本文将该方法应用于 WTI 原油价格预测和 S&P 100 指数跟踪。结果显示，与传统区间模型以及随机森林、多层感知机等机器学习方法相比，新方法能够显著提高原油价格的样本外预测精度；利用股票区间价格进行股票筛选，也能够改善指数跟踪表现。该研究构建了高维区间值时间序列的正则化建模框架，并建立了相应的统计理论，为同时处理区间信息与高维稀疏性提供了新的统计工具，也为金融预测、投资组合管理以及其他区间型经济数据分析提供了新的研究思路。

包皓文，西安电子科技大学经济与管理学院副教授（华山菁英），陕西省高层次青年人才项目入选者，陕西高校新型智库智能经济与管理研究中心副主任。2023年博士毕业于中国科学院数学与系统科学研究院。

洪永淼，中国科学院数学与系统科学研究院关肇直首席研究员，中国科学院大学经济与管理学院院长，厦门大学邹至庄经济研究院院长，发展中国家科学院院士，世界计量经济学会会士，亚太人工智能学会会士，亚洲金融经济研究局高级会士，教育部高等学校经济学类专业教学指导委员会副主任委员。

孙玉莹，中国科学院数学与系统科学研究院预测科学研究中心研究员、博士生导师，国家优秀青年科学基金项目获得者。

汪寿阳，中国科学院特聘研究员、教育部长江学者奖励计划特聘教授、国家杰出青年科学基金获得者、发展中国家科学院院士、国际系统与控制科学院院士、亚太工业工程与管理协会会士。现为中科院数学与系统科学研究院研究员、中国科学院预测科学研究中心主任。