Sharpe Ratio analysis in high dimensions: Residual-based nodewise regression in factor models
高维夏普比率分析：因子模型中基于残差的逐节点回归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：摘要以金融收益因子模型及其残差为基础，研究高维组合夏普比率和精度矩阵估计。
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…
高维夏普比率分析：因子模型中基于残差的逐节点回归
- 研究问题
- 当资产数量超过时间观测数且因子数量增长时，如何估计误差与收益的精度矩阵，并保证不同组合夏普比率估计的一致性？
- 方法与思路
- 作者用拟合因子模型的残差实施可行逐节点回归，建立残差替代不可观测特质误差的理论，再分析组合夏普比率估计。
- 材料陈述的贡献
- 摘要称，在相应维度与权重条件下，精度矩阵及多类夏普比率估计具有一致性，并区分资产数大于或远小于样本量的情形。
- 阅读关注点
- 应核对精度矩阵估计所需结构、因子与资产维度增长条件，以及最大夏普比率和最大样本外夏普比率结论的区别。
- 阅读边界
- 所给 RePEc 出版社摘要未列出完整正则条件及收敛速度；估计一致性不能直接解释为实际组合收益或样本外表现改善。
原文摘要
We provide a new theory for nodewise regression when the residuals from a fitted factor model are used. We apply our results to the analysis of the consistency of Sharpe Ratio estimators when there are many assets in a portfolio. We allow for an increasing number of assets as well as time observations of the portfolio. Since the nodewise regression is not feasible due to the unknown nature of idiosyncratic errors, we provide a feasible-residual-based nodewise regression to estimate the precision matrix of errors which is consistent even when number of assets, p, exceeds the time span of the portfolio, n. In another new development, we also show that the precision matrix of returns can be estimated consistently, even with an increasing number of factors and p>n. We show that: (1) with p>n, the Sharpe Ratio estimators are consistent in global minimum-variance and mean–variance portfolios; and (2) with p>n, the maximum Sharpe Ratio estimator is consistent when the portfolio weights sum to one; and (3) with p<<n, the maximum-out-of-sample Sharpe Ratio estimator is consistent.