基于自适应LASSO的时间序列协整关系识别方法.docxVIP

基于自适应LASSO的时间序列协整关系识别方法

一、引言

在时间序列分析领域，识别变量间的协整关系是探究其长期均衡机制的核心任务。从宏观经济指标的联动性分析，到金融市场多资产价格的协同波动研究，协整关系的准确识别能够为政策制定、风险防控和投资决策提供关键依据。传统方法如Engle-Granger两步法和Johansen极大似然法虽被广泛应用，却在面对高维变量场景时暴露不足——当解释变量数量增多，模型易因包含无关变量而出现过拟合，或因遗漏重要变量导致估计偏差，最终影响协整关系判断的可靠性。

自适应LASSO（AdaptiveLASSO）作为一种改进的正则化方法，通过引入数据驱动的自适应权重，在变量选择与参数估计的双重任务中展现出独特优势。它既能像传统LASSO一样通过L1惩罚项压缩系数，实现“无关变量自动剔除”的效果，又能通过调整惩罚力度减少标准LASSO的估计偏差，更精准地保留关键变量。将其与协整分析框架结合，为解决高维时间序列的协整识别难题提供了新路径。本文将系统阐述这一方法的理论逻辑、实现步骤及应用价值，以期为相关领域研究提供方法参考。

二、时间序列协整关系与传统识别方法的局限性

（一）协整关系的内涵与现实意义

协整关系描述的是一组非平稳时间序列在长期中存在的稳定均衡关系。具体而言，若多个单整序列（如一阶单整I(1)序列）的线性组合是平稳的（I(0)），则称这些序列间存在协整关系。这种关系的本质是变量间“短期波动受长期均衡约束”的动态机制：当短期波动偏离均衡时，系统会通过误差修正机制将其拉回长期趋势。例如，居民消费、收入与物价水平虽各自呈现非平稳特征，但其长期增长速度受经济规律制约，三者的某种线性组合可能保持稳定，这种稳定关系即为协整关系。

在实际应用中，协整分析是构建误差修正模型（ECM）的前提，也是验证经济理论（如购买力平价理论）、预测多变量系统走势的基础。准确识别协整关系，能够避免“伪回归”问题（即对非协整的非平稳序列做回归时出现的虚假显著性），提升模型的解释力与预测精度。

（二）传统协整识别方法的不足

目前主流的协整识别方法主要有两类：

一类是Engle-Granger两步法，适用于双变量或小维度系统。其步骤为：首先用普通最小二乘法（OLS）估计变量间的静态回归方程，得到残差序列；然后对残差进行平稳性检验（如ADF检验），若残差平稳则认为存在协整关系。该方法操作简单，但仅适用于单方程框架，且当解释变量数量增加时，无法有效筛选关键变量——若模型包含无关变量，OLS估计会因多重共线性导致系数方差增大，残差的平稳性检验结果可能失真；若遗漏重要变量，又会因模型设定偏误使残差包含未被捕捉的长期趋势，同样影响判断。

另一类是Johansen极大似然法，基于向量自回归（VAR）模型，通过迹检验或最大特征值检验确定协整秩（即协整关系的数量）。该方法适用于多变量系统，能同时处理多个协整关系，但本质上是“全变量参与”的方法。当变量维度较高（如超过10个）时，模型参数数量呈指数级增长，不仅计算复杂度大幅上升，还可能因包含大量无关变量导致协整秩估计不准确，甚至出现“协整关系虚高”的误判。

总体来看，传统方法在低维场景下表现稳健，但面对高维时间序列时，变量选择与协整识别的“两难”问题尤为突出——既要保留关键变量以反映真实均衡关系，又要剔除无关变量以避免模型冗余。这一痛点为自适应LASSO的引入提供了现实需求。

三、自适应LASSO方法的核心原理与优势

（一）从LASSO到自适应LASSO的改进逻辑

LASSO（最小绝对收缩和选择算子）是一种经典的正则化方法，其核心是在损失函数中加入L1惩罚项，通过调整惩罚参数λ，对回归系数进行压缩。具体来说，LASSO的目标函数为：

（注：此处用文字描述原理，避免公式）

在普通最小二乘（OLS）的损失函数基础上，增加λ乘以各系数绝对值之和的惩罚项。当λ较大时，部分系数会被压缩至0，实现变量选择；当λ较小时，结果趋近于OLS估计。这种“变量选择与估计一体化”的特性，使其在高维数据中具有优势。

然而，标准LASSO存在两个关键缺陷：一是“系数压缩偏差”，即对大系数的过度压缩，导致估计值偏离真实值；二是“变量选择一致性”依赖于惩罚参数的精确设定，实际应用中难以把握。为解决这些问题，自适应LASSO在惩罚项中引入了自适应权重：每个系数的惩罚力度由其初始估计值（如OLS估计值的绝对值）的倒数决定。重要变量（系数较大）的惩罚力度更小，不易被错误剔除；无关变量（系数较小）的惩罚力度更大，更易被压缩至0。这种“区别对待”的惩罚机制，既保留了LASSO的变量选择能力，又显著降低了估计偏差，被理论证明具有“Oracle性质”（即变量选择和参数估计接近理想状态下的最优结果）。

（二）自适应LASSO在时间序列分析中的适配性

时