大数据环境下的预测：神经网络的自适应自动化收缩估计 (AAShNet)
计量经济学
2019-04-26 v1 机器学习
统计金融
机器学习
摘要
本文考虑在可能非线性的动态设定中，面对高维预测变量（“大数据”环境）改进预测。为克服维数灾难并管控数据与模型复杂度，我们考察具有跳跃层连接的深度神经网络的反向传播算法的收缩估计。我们明确包含线性与非线性分量。这是一种高维学习方法，同时包含稀疏 L1 与平滑 L2 惩罚，可一步容纳高维与非线性。该方法同时选择显著预测变量与神经网络拓扑结构。我们通过引入基于梯度的优化技术估计收缩超参数的最优值，从而得到具有更好可复现性的稳健预测。后者在一些方法中曾是个问题。该方法在统计上可解释，并揭示了部分网络结构，而这通常被留作黑箱。另一优势在于，若底层过程为线性，非线性部分往往会被剪枝。在股票收益预测的应用中，所提方法捕捉了股票间的非线性动态以提升预测表现。按 RMSE 与实际投资组合表现衡量，其相对现有单变量与多变量模型有可观改进。
引用
@article{arxiv.1904.11145,
title = {Forecasting in Big Data Environments: an Adaptable and Automated Shrinkage Estimation of Neural Networks (AAShNet)},
author = {Ali Habibnia and Esfandiar Maasoumi},
journal= {arXiv preprint arXiv:1904.11145},
year = {2019}
}