SpinSVAR: Estimating Structural Vector Autoregression Assuming Sparse Input

要約

Spinsvarを紹介します。これは、スパース入力仮定の下で、時系列データから構造ベクトル自己網取り（SVAR）を推定するための新しい方法です。
ガウスノイズを使用した以前のアプローチとは異なり、入力を独立したラプラシアン変数としてモデル化し、スパースを強制し、最小絶対誤差回帰に基づいて最尤推定量（MLE）を生成します。
軽度の仮定の下で、MLEの理論的一貫性保証を提供します。
Spinsvarは効率的です。GPU加速度を活用して、数千のノードにスケーリングできます。
LaplacianまたはBernoulli-Uniformの入力を備えた合成データでは、Spinsvarは精度とランタイムの最新の方法よりも優れています。
S＆P 500データに適用されると、セクターごとに在庫をクラスターし、主要な価格の動きに関連する重要な構造ショックを特定し、まばらな入力仮定の実行可能性を実証します。

要約(オリジナル)

We introduce SpinSVAR, a novel method for estimating a structural vector autoregression (SVAR) from time-series data under sparse input assumption. Unlike prior approaches using Gaussian noise, we model the input as independent Laplacian variables, enforcing sparsity and yielding a maximum likelihood estimator (MLE) based on least absolute error regression. We provide theoretical consistency guarantees for the MLE under mild assumptions. SpinSVAR is efficient: it can leverage GPU acceleration to scale to thousands of nodes. On synthetic data with Laplacian or Bernoulli-uniform inputs, SpinSVAR outperforms state-of-the-art methods in accuracy and runtime. When applied to S&P 500 data, it clusters stocks by sectors and identifies significant structural shocks linked to major price movements, demonstrating the viability of our sparse input assumption.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google