Estimating latent asset-pricing factors
潜在资产定价因子的估计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。
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：摘要明确估计解释预期超额收益的潜在因子，并以定价误差和金融组合数据评价。
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
潜在资产定价因子的估计
- 研究问题
- 如何从高维金融面板中识别方差较小但对预期超额收益重要的潜在因子，弥补传统主成分分析只关注协方差结构的局限？
- 方法与思路
- 作者在主成分分析中加入反映预期收益定价误差的惩罚项，使估计因子同时解释预期收益与协方差结构，并研究估计量性质。
- 材料陈述的贡献
- 摘要称新估计量可发现传统主成分分析遗漏的定价因子；组合数据应用报告夏普比率超过传统方法的两倍，并具有较小定价误差。
- 阅读关注点
- 应核对定价误差惩罚的权重、弱方差因子的识别条件、估计误差理论，以及组合应用的样本划分和定价误差评价方式。
- 阅读边界
- 所给出版社摘要未列出理论条件、组合样本或夏普比率的评价细节；报告的倍数属于该应用结果，不能推广为普遍表现保证。
原文摘要
We develop an estimator for latent factors in a large-dimensional panel of financial data that can explain expected excess returns. Statistical factor analysis based on Principal Component Analysis (PCA) has problems identifying factors with a small variance that are important for asset pricing. We generalize PCA with a penalty term accounting for the pricing error in expected returns. Our estimator searches for factors that can explain both the expected return and covariance structure. We derive the statistical properties of the new estimator and show that our estimator can find asset-pricing factors, which cannot be detected with PCA, even if a large amount of data is available. Applying the approach to portfolio data we find factors with Sharpe-ratios more than twice as large as those based on conventional PCA and with smaller pricing errors.