مقاله تجزیه و تحلیل بیزی از مدل تصحیح خطای بردار با ابعاد بالا

چکیده

Vector Error Correction Model (VECM) is a classic method to analyse cointegration relationships amongst multivariate non-stationary time series. In this paper, we focus on high dimensional setting and seek for sample-size-efficient methodology to determine the level of cointegration. Our investigation centres at a Bayesian approach to analyse the cointegration matrix, henceforth determining the cointegration rank. We design two algorithms and implement them on simulated examples, yielding promising results particularly when dealing with high number of variables and relatively low number of observations. Furthermore, we extend this methodology to empirically investigate the constituents of the S&P 500 index, where low-volatility portfolios can be found during both in-sample training and out-of-sample testing periods.

چکیده به فارسی (ترجمه ماشینی)

مدل تصحیح خطای وکتور (VECM) یک روش کلاسیک برای تجزیه و تحلیل روابط ادغام بین سری زمانی غیر ثابت چند متغیره است.در این مقاله ، ما بر روی تنظیمات ابعادی بالا تمرکز می کنیم و به دنبال روش شناسی با اندازه نمونه برای تعیین سطح ادغام هستیم.مراکز تحقیقاتی ما در یک رویکرد بیزی برای تجزیه و تحلیل ماتریس ادغام ، از این پس تعیین رتبه ادغام.ما دو الگوریتم را طراحی می کنیم و آنها را بر روی مثالهای شبیه سازی شده پیاده سازی می کنیم ، به ویژه در برخورد با تعداد زیاد متغیرها و تعداد نسبتاً کمی از مشاهدات ، نتایج امیدوار کننده ای به دست می آوریم.علاوه بر این ، ما این روش را برای بررسی تجربی در مورد ترکیبات شاخص S&P 500 گسترش می دهیم ، جایی که اوراق بهادار با کمبود کم می توان در هر دو دوره آموزش در نمونه و دوره آزمایش خارج از نمونه یافت.