本文研究了Lasso类方法在时间序列中的应用.近几年来,人们越来越多的关注如何利用数理统计模型从大量数据中挖掘出有效信息.在建立模型的初期,如果缺少一些重要的自变量,往往会使模型产生偏差,于是人们便会尽可能多去选择一些变量.但是,建模的过程又需要寻找对因变量具有解释力强的自变量集合,那么合适的自变量选择便显得尤为重要.Lasso方法便是一种能够实现指标集合精简,能够提高模型解释力和预测精度的一种估计方法.因此,用Lasso方法进行变量选择,能够减小建模中的偏差.变点是数字特征或样本分布发生了意想不到变化的时刻点.变点问题是统计学、经济学及其它学科中研究的热点问题之一.变点检测的研究也广泛应用到众多领域.Lasso方法也可以处理变点的估计问题.Lasso方法的变点估计相当于转换后的变量选择问题,然后运用变量选择的方法进行处理,可以得出良好的变点估计结果.本文的主要工作如下:1.第一部分研究了Lasso类方法在变量选择中的应用.本部分在时间序列场合下对Lasso方法与Adaptive Lasso方法进行比较.先通过数值模拟结果表明Adaptive Lasso方法比Lasso方法更加有效.然后,通过对沪深300指数的技术指标的历史数据进行变量选择,比较发现二者均可以有效并准确地选择出合适变量,且Adaptive Lasso方法的参数估计相对更加精确.最后,根据选出变量及其参数进行预测,并同真实数值进行比较,结果表明Adaptive Lasso方法在变量选择以及参数估计中有良好的效果.2.第二部分研究了Lasso类方法在变点检测中的应用.本部分首先比较了Lasso方法与Adaptive Lasso方法在数值模拟中的变点估计,估计结果比较准确.然后,利用沪深300指数的收盘价寻找变点,估计的结果良好.