关于带网络结构的自适应Lasso分位数回归的研究与应用论文.pdf

简介：
本文探讨了结合网络结构信息的自适应Lasso分位数回归方法，提出了一种新的统计模型及其算法，并通过实际数据验证其有效性。此研究为复杂网络数据分析提供了新思路和工具。 本段落研究了条件价值风险（CVaR）在组合投资中的应用，并提出了一种基于自适应Lasso分位数回归的资产选择方法，以降低管理时间和经济成本。理论上，CVaR模型下的资产组合决策可以转化为分位数回归问题。为此，我们引入了一个带网络结构的自适应Lasso分位数回归框架来处理高维数据集中的变量选择。 自适应Lasso通过为每个变量分配不同的权重来进行约束，从而在理论上有更强的一致性进行变量筛选。此外，本段落利用复杂网络理论构建了资产之间的相互作用模型，这有助于改进资产组合的选择结果。我们采用线性规划方法求解，并针对CVaR组合投资决策中的特定计算难题提出了两步迭代算法。 通过多种情景下的模拟分析发现，提出的自适应Lasso分位数回归模型在变量选择和预测性能上均表现出色。随着变量间相关性的增加，网络结构对提升模型效果的作用更加明显。最后，我们使用了249只股票的历史数据进行实证研究，并采用滚动建模的方法验证新方法的有效性和稳健性。 综上所述，该文展示了如何通过结合自适应Lasso和复杂网络理论来优化CVaR组合投资决策过程，在实践中具有重要的应用价值。