📰 高维金融时间序列的结构正则化因果网络：STIC×PCMCI框架 - 生物通
本文提出了高维金融时间序列因果网络的结构正则化框架STIC×PCMCI，用以在多变量条件下识别滞后因果关系并构建网络信号。核心思路是先用PCMCI检验滞后因果边，再用STIC度量无条件二阶矩的共同运动，结合Hard、Soft、Soft-Truncated三种融合机制，对候选边进行结构约束，提升网络稀疏性并抑制弱边噪声。实证基于2014–2025年中国A股申万一级行业指数日收益率，结果显示：纯PCMCI能提取方向信息但网络过密、样本外表现差；STIC约束降低密度、抑制回撤，Soft-Truncated在稀疏化与边权信息保留之间达到最佳平衡，提供了更稳健且具可解释性的因果网络建模方法。与相关性网络和成对格兰杰网络比较表明，金融信号既需结构共同运动信息，也需高维条件方向性。讨论指出当前方法基于线性二阶矩共同运动，未来可引入非线性、尾部依赖等扩展，并在不同市场和资产类型上验证外部有效性。总体而言，STIC×PCMCI在控制共同驱动、实现方向性识别与弱边抑制方面，为高维金融时间序列的因果网络建模提供了更稳健、可解释的框架。
🏷️ #高维金融 #因果网络 #结构正则化 #STIC×PCMCI #弱边抑制
🔗 原文链接
📰 高维金融时间序列的结构正则化因果网络：STIC×PCMCI框架 - 生物通
本文提出了高维金融时间序列因果网络的结构正则化框架STIC×PCMCI，用以在多变量条件下识别滞后因果关系并构建网络信号。核心思路是先用PCMCI检验滞后因果边，再用STIC度量无条件二阶矩的共同运动，结合Hard、Soft、Soft-Truncated三种融合机制，对候选边进行结构约束，提升网络稀疏性并抑制弱边噪声。实证基于2014–2025年中国A股申万一级行业指数日收益率，结果显示：纯PCMCI能提取方向信息但网络过密、样本外表现差；STIC约束降低密度、抑制回撤，Soft-Truncated在稀疏化与边权信息保留之间达到最佳平衡，提供了更稳健且具可解释性的因果网络建模方法。与相关性网络和成对格兰杰网络比较表明，金融信号既需结构共同运动信息，也需高维条件方向性。讨论指出当前方法基于线性二阶矩共同运动，未来可引入非线性、尾部依赖等扩展，并在不同市场和资产类型上验证外部有效性。总体而言，STIC×PCMCI在控制共同驱动、实现方向性识别与弱边抑制方面，为高维金融时间序列的因果网络建模提供了更稳健、可解释的框架。
🏷️ #高维金融 #因果网络 #结构正则化 #STIC×PCMCI #弱边抑制
🔗 原文链接
