[논문 리뷰] Regularized estimation of linear functionals for high-dimensional time series

Xiaohong Chen, Mengyu Xu외 1명|arXiv (Cornell University)|2015. 06. 11.

Statistical Methods and Inference참고 문헌 64인용 수 7

한 줄 요약

이 논문은 일반적인 의존 구조와 모멘트 조건을 갖는 고차원 시계열에서 선형 함수형의 정규화된 추정 방법을 제안한다. 희소 마크owitz 포트폴리오 할당과 최적 선형 예측에 대해 비율 일致성(ratio consistency)을 확립하며, 정규화와 수렴 속도가 시간적 의존성과 잔차 모멘트 조건에 의해 복잡하게 영향을 받음을 보여준다.

ABSTRACT

This paper considers regularized estimation of certain linear functionals of high-dimensional linear processes. Our framework covers the broad regime from i.i.d. samples to long-range dependent time series and from sub-Gaussian innovations to those with mild polynomial moments. We show that the regularization parameter and the rate of convergence depend on the degree of temporal dependence and the moment conditions in a subtle way. Ratio consistency is established for the regularized estimator in the context of the sparse Markowitz portfolio allocation and the optimal linear prediction for time series. The effect of dependence and innovation moment conditions is illustrated in the simulation study. Finally, the regularized estimator is applied to classify the cognitive states on a real fMRI dataset and to portfolio optimization on a financial dataset.

연구 동기 및 목표

• 일반적인 의존성과 모멘트 조건 하에서 고차원 시계열의 선형 함수형에 대한 정규화된 추정 프레임워크를 개발하는 것.
• 시간적 의존성과 잔차 모멘트 조건이 정규화 매개수와 수렴 속도에 어떻게 영향을 주는지 분석하는 것.
• 희소 마크owitz 포트폴리오 할당과 최적 선형 예측과 같은 핵심 응용 분야에서 정규화된 추정기의 비율 일치성을 확립하는 것.
• 시뮬레이션 연구와 실세계 응용(예: fMRI를 이용한 인지 상태 분류 및 금융 포트폴리오 최적화)을 통해 이론적 결과를 검증하는 것.

제안 방법

• 단기 및 장기 의존성을 모두 수용할 수 있는 고차원 선형 과정에서 선형 함수형을 정규화하여 추정한다.
• 정규화된 추정기가 비율 일치성을 달성할 수 있는 이론적 조건을 도출하며, 이는 시간적 의존성의 정도와 잔차의 모멘트 조건에 따라 달라진다.
• 시계열에 대한 희소 마크owitz 포트폴리오 할당과 최적 선형 예측이라는 두 가지 핵심 응용에 추정기를 적용한다.
• 의존성과 모멘트 조건이 추정 성능에 미치는 영향을 시각화하기 위해 시뮬레이션 연구를 수행한다.
• 인지 상태 분류를 위한 실세계 fMRI 데이터와 포트폴리오 최적화를 위한 금융 데이터에 대해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 시간적 의존성과 잔차의 모멘트 조건이 고차원 시계열 추정에서 정규화 매개수의 선택과 수렴 속도에 어떻게 영향을 주는가?
• RQ2 일반적인 의존성 하에서 희소 마크owitz 포트폴리오 할당의 선형 함수형에 대해 정규화된 추정기가 비율 일치성을 보장하는가?
• RQ3 장기 의존성을 갖는 고차원 시계열에서 최적 선형 예측에 대해 제안된 방법이 일관된 성능을 달성할 수 있는가?
• RQ4 시뮬레이션에서 시간적 의존성의 정도와 모멘트 조건의 변화에 따라 추정기의 이론적 성질이 어떻게 변화하는가?
• RQ5 정규화된 추정기는 실세계 데이터(예: fMRI를 이용한 인지 상태 분류 및 금융 데이터를 이용한 포트폴리오 최적화)에 효과적으로 적용될 수 있는가?

주요 결과

• 정규화 매개수와 수렴 속도가 시간적 의존성의 정도와 잔차의 모멘트 조건에 미세하게 영향을 받는다는 것이 입증되었다.
• 장기 의존성 하에서도 희소 마크owitz 포트폴리오 할당의 맥락에서 정규화된 추정기의 비율 일치성이 확립되었다.
• 의존성 구조에 관계없이 고차원 시계열에서 최적 선형 예측에 대해 정규화된 추정기가 비율 일치성을 달성한다.
• 시뮬레이션 연구를 통해 시간적 의존성과 잔차 모멘트 조건이 모두 추정 성능과 수렴 행동에 크게 영향을 준다는 것이 확인되었다.
• 정규화된 추정기는 실세계 fMRI 데이터에서 인지 상태를 성공적으로 분류하고 금융 데이터에서 포트폴리오 최적화를 향상시켜 실용적 유용성을 입증했다.