De huvudsakliga målen är följande:
- Att uppnå en kvantitativ förståelse av strukturen hos multivariata och matrisvariata fördelningar med tillämpningar inom bland annat maskininlärning, finans och signalbehandling.
- Att utarbeta datadrivna metoder för estimering av högdimensionella optimala portföljer ur både frekventistisk och bayesiansk statistisk synvinkel.
- Att utveckla nya metoder för statistisk inferens av medelvärdesvektorn, regressionskoefficienterna, kovariansmatrisen och precisionsmatrisen i högdimensionella sammanhang.
- Att förbättra estimeringen av parametrarna i högdimensionella volatilitetsmodeller.
- Att fastställa fördelningsegenskaperna för multipla testprocedurer med beroende teststatistik.
- Att härleda sekventiella procedurer för att upptäcka förändringar i parametrarna i högdimensionella statistiska modeller.
De erhållna resultaten publicerades i ledande statistiska och finansiella tidskrifter, såsom The Annals of Statistics, Journal of Machine Learning Research, Journal of Business and Economic Statistics, IEEE Transactions on Signal Processing, Bayesian Analysis, Scandinavian Journal of Statistics, Journal of Multivariate Analysis, The European Journal of Operational Research, Journal of the Empirical Finance, Finance Research Letters, Computational Statistics and Data Analysis, Applied Mathematics and Computation, The European Journal of Finance, bland andra.
