电子科技大学数学学院高照省教授在Journal of the American Statistical Association发表最新研究成果
文章导读
面对海量数据预测难题，传统方法为何频频失准？电子科技大学高照省教授联合芝加哥大学专家，在顶级期刊JASA上提出革命性方案：监督型动态主成分分析（sdPCA）。这一创新方法颠覆传统，将监督学习融入因子建模——根据预测目标智能加权变量，显著提升相关性；同时捕捉时间序列的动态依赖结构，并整合LASSO自动筛选关键因子，避免过拟合。理论证明其在弱因子或高维场景下的优越性，实证更显示：在预测美国工业产出、失业率、CPI等宏观经济指标时，sdPCA全面超越传统PCA、scaled PCA及扩散指数方法，为金融和经济预测注入新活力。揭秘这一高效工具如何重塑未来预测！
— 内容由好学术AI分析文章内容生成，仅供参考。
近日，数学学院高照省教授与美国芝加哥大学布斯商学院Ruey S. Tsay教授合作在国际统计学顶级期刊Journal of the American Statistical Association (JASA) 发表学术论文 “Supervised Dynamic PCA: Linear Dynamic Forecasting with Many Predictors”。
该研究针对高维数据动态预测问题，提出了创新性的监督型动态主成分分析（supervised dynamic PCA, sdPCA）。这一方法将监督学习思想引入因子建模与预测框架中：（1）相比传统的无监督 PCA，sdPCA首先根据预测目标对高维变量及其滞后项进行加权缩放，再提取因子，显著增强预测相关性；（2）该方法允许同时利用预测变量和因子的滞后值，更全面捕捉时间序列中的动态依赖结构；（3）在预测环节结合LASSO稀疏选择，自动筛选出最具预测力的因子，避免过拟合；（4）理论上证明了其一致性和优越性，尤其在弱因子或高维场景下表现突出。
实证研究与模拟结果表明：sdPCA 在预测美国宏观经济指标（工业产出、失业率、CPI、股市波动及收益）时，相较传统 PCA、scaled PCA (sPCA) 和扩散指数方法，均展现出更优的预测性能。
高照省现为电子科技大学特聘教授、博士生导师，入选学校“百人计划”。博士毕业于香港科技大学，先后在英国伦敦政治经济学院（LSE）和美国芝加哥大学从事博士后研究，回国前任美国理海大学助理教授。研究方向包括高维与大规模统计时间序列分析、统计机器学习与预测方法、因子建模及金融资产定价。相关成果已发表于Journal of the American Statistical Association、Journal of Econometrics、IEEE Transactions on Information Theory、International Journal of Forecasting、Statistica Sinica 等国际权威期刊。现任计量经济和统计顶级期刊Journal of Business & Economic Statistics与预测杂志Journal of Forecasting编委，主持国家自然科学基金青年与面上项目，并参与国家自然科学基金重点项目子课题研究。
论文连接：https://doi.org/10.1080/01621459.2024.2370592
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
暂无评论...