Large factor model estimation by nuclear norm plus $l_1$ norm penalization
核范数与 l₁ 范数惩罚的大型因子模型估计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。
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：摘要研究大型因子模型的载荷与因子得分估计，并明确提供真实金融数据应用。
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
核范数与 l₁ 范数惩罚的大型因子模型估计
- 研究问题
- 当潜在因子特征值不具广泛性、残差协方差结构突出时，如何识别潜在秩与残差稀疏模式并估计因子？
- 方法与思路
- 作者用核范数与 l₁ 范数联合惩罚分离潜在协方差和稀疏残差，再研究载荷、因子得分及不同得分估计方法。
- 材料陈述的贡献
- 摘要称方法可精确恢复秩与稀疏模式，并给出后续估计的渐近速率、特征值集中性及特定因子得分方法的精度结果。
- 阅读关注点
- 应核对非广泛特征值的允许范围、精确恢复和精度结论的条件，以及惩罚参数选择、模拟设计与金融应用中的比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未展开恢复条件，“最精确”等陈述不能作无条件优越性理解。
原文摘要
This paper provides a comprehensive estimation framework via nuclear norm plus $l_1$ norm penalization for high-dimensional approximate factor models with a sparse residual covariance. The underlying assumptions allow for non-pervasive latent eigenvalues and a prominent residual covariance pattern. In that context, existing approaches based on principal components may lead to misestimate the latent rank, due to the numerical instability of sample eigenvalues. On the contrary, the proposed optimization problem retrieves the latent covariance structure and exactly recovers the latent rank and the residual sparsity pattern. Conditioning on them, the asymptotic rates of the subsequent ordinary least squares estimates of loadings and factor scores are provided, the recovered latent eigenvalues are shown to be maximally concentrated and the estimates of factor scores via Bartlett's and Thompson's methods are proved to be the most precise given the data. The validity of outlined results is highlighted in an exhaustive simulation study and in a real financial data example.