建投金工专题49：逻辑>数据挖掘，传统回归方法深度剖析（OLS、RIDGE、ENET、LASSO、SCAD、MCP、分位数回归）
创建于 更新于
摘要
本报告系统梳理并比较了传统线性回归中的多种惩罚回归方法（Ridge、Lasso、ENet、SCAD、MCP）及分位数回归，基于偏差-方差分解理论，揭示传统OLS的局限，提出通过增加惩罚函数降低预测总误差的方法。研究发现，Lasso、SCAD、MCP在变量选择和模型稳健性上表现优异，分位数回归则具备异常值耐抗性，可刻画条件分布的不同分位数。通过数值模拟和实证滚动回归，验证了各方法对共线性、样本不足等问题的适应性，并展示了国内长债利率的核心驱动因子随时间变化的动态特征。最后，报告建议根据样本规模和变量特点选择合适的回归方法，并展望其在量化投资策略中的应用潜力。[page::0][page::3][page::11][page::15][page::17]
