The Dynamic, the Static, and the Weak: Factor models and the analysis of high-dimensional time series
动态、静态与弱因子：因子模型与高维时间序列分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论高维时间序列中的动态与静态因子模型及其预测问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
动态、静态与弱因子：因子模型与高维时间序列分析
- 研究问题
- 高维时间序列分析中，动态与静态载荷、不同强度的因子及横截面处理方式，会怎样影响共同成分识别与预测？
- 方法与思路
- 作者围绕动态和静态因子模型展开讨论，梳理因子强弱、弱共同成分、横截面交换性及共同与特异预测的组合问题。
- 材料陈述的贡献
- 摘要认为这些讨论支持广义动态因子模型的优势，并强调遗漏强因子及不同共同成分概念对分析和预测的影响。
- 阅读关注点
- 应核对因子强度与弱共同成分的精确定义、横截面交换性的作用，以及动态模型优势所依赖的条件与比较标准。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未提供具体证明或比较结果，不能据此认定动态模型普遍更优。
原文摘要
Several fundamental and closely interconnected issues related to factor models are reviewed and discussed: dynamic versus static loadings, rate-strong versus rate-weak factors, the concept of weakly common component recently introduced by Gersing et al. (2023), the irrelevance of cross-sectional ordering and the assumption of cross-sectional exchangeability, the impact of undetected strong factors, and the problem of combining common and idiosyncratic forecasts. Conclusions all point to the advantages of the General Dynamic Factor Model approach of Forni et al. (2000) over the widely used Static Approximate Factor Model introduced by Chamberlain and Rothschild (1983).