FACTORISABLE MULTITASK QUANTILE REGRESSION
具有因子结构的多任务分位数回归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：摘要以多变量分位数回归研究条件分布，并将随分位点变化的因子结构应用于资产收益。
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…
具有因子结构的多任务分位数回归
- 研究问题
- 面对高维协变量和多维响应，如何以随分位点变化的低秩因子结构开展分位数回归，并控制近似优化造成的统计误差？
- 方法与思路
- 作者用核范数正则化估计多变量分位数模型，建立近似解的非渐近 Frobenius 风险与预测风险界，并提出控制近似误差的数值程序。
- 材料陈述的贡献
- 摘要称因子结构可随分位点变化，近似求解仍可获得统计精度保证；作者通过模拟和大规模资产收益应用展示模型及算法表现。
- 阅读关注点
- 应核对低秩和维度增长条件、正则化参数选择、风险界中的优化误差项，以及不同分位点因子结构在资产应用中的解释。
- 阅读边界
- 摘要未给出风险界常数、完整假设或实证数值，也未证明模型在所有场景优于传统因子模型；解读限于所给 Crossref 摘要。
原文摘要
A multivariate quantile regression model with a factor structure is proposed to study data with multivariate responses with covariates. The factor structure is allowed to vary with the quantile levels, which is more flexible than the classical factor models. Assuming the number of factors is small, and the number of responses and the input variables are growing with the sample size, the model is estimated with the nuclear norm regularization. The incurred optimization problem can only be efficiently solved in an approximate manner by off-the-shelf optimization methods. Such a scenario is often seen when the empirical loss is nonsmooth or the numerical procedure involves expensive subroutines, for example, singular value decomposition. To show that the approximate estimator is still statistically accurate, we establish a nonasymptotic bound on the Frobenius risk and prediction risk. For implementation, a numerical procedure that provably marginalizes the approximation error is proposed. The merits of our model and the proposed numerical procedures are demonstrated through the Monte Carlo simulation and an application to finance involving a large pool of asset returns.