Новый метод идентификации структурных сдвигов в экономических данных
Коллектив исследователей Центра больших данных в экономике и финансах (Артем Прохоров, Петр Радченко, Александр Семенов, Антон Скроботов) разработал новый метод выявления структурных разрывов в экономических и финансовых временных рядах. В статье “Change-Point Detection in Time Series Using Mixed Integer Programming” представлен подход, основанный на методах смешанно-целочисленной оптимизации (Mixed Integer Optimization, MIO).
Исследователи Центра больших данных в экономике и финансах (Артем Прохоров, Петр Радченко, Александр Семенов, Антон Скроботов) разработали новый метод точного выявления структурных разрывов в экономических и финансовых временных рядах. В статье “Change-Point Detection in Time Series Using Mixed Integer Programming” (arxiv) представлен подход, основанный на методах смешанно-целочисленной оптимизации (Mixed Integer Optimization, MIO).
Abstract:
We use cutting-edge mixed integer optimization (MIO) methods to develop a framework for detection and estimation of structural breaks in time series regression models. The framework is constructed based on the least squares problem subject to a penalty on the number of breakpoints. We restate the
l0-penalized regression problem as a quadratic programming problem with integer- and real-valued arguments and show that MIO is capable of finding provably optimal solutions using a well-known optimization solver. Compared to the popular l1-penalized regression (LASSO) and other classical methods, the MIO framework permits simultaneous estimation of the number and location of structural breaks as well as regression coefficients, while accommodating the option of specifying a given or minimal number of breaks. We derive the asymptotic properties of the estimator and demonstrate its effectiveness through extensive numerical experiments, confirming a more accurate estimation of multiple breaks as compared to popular non-MIO alternatives. Two empirical examples demonstrate usefulness of the framework in applications from business and economic statistics.
Предложенный подход преобразует задачу обнаружения точек разрыва в задачу смешанно-целочисленного квадратичного программирования, что позволяет современным решателям гарантированно находить оптимальные решения на основе современных вычислительных средств. Ключевое преимущество перед такими методами, как LASSO, заключается в возможности одновременного оценивания количества разрывов, их локализации и регрессионных коэффициентов за одну итерацию. Эффективность метода подтверждена результатами численных экспериментов, в которых он показал высокую производительность, особенно в сценариях с множественными структурными изменениями. Практическая значимость метода была продемонстрирована на двух примерах: при анализе реальной процентной ставки США метод идентифицировал сдвиги, коррелирующие с ключевыми историческими событиями, а в модели коррекции запасов позволил получить новые результаты относительно скорости адаптации экономических агентов к изменениям.