Distribution-Free Shrinkage of High-Dimensional Mean Vector
高维均值向量的分布无关收缩估计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：摘要核心为通用高维均值收缩，组合构造应用尚不足以直接归为资产定价、金融因子或收益预测。
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
高维均值向量的分布无关收缩估计
- 研究问题
- 如何在高维环境中构造不依赖特定分布及精度矩阵的均值收缩估计，并减少对同一观测内部各维独立性的要求？
- 方法与思路
- 作者将样本均值向零或总体平均值目标收缩，使用简单的收缩强度估计，并在观测独立同分布、四阶矩有界的设定下分析。
- 材料陈述的贡献
- 摘要称收缩强度具有高维 L2 一致性，模拟中与多种基准有竞争力，股票均值—方差组合应用中获得稳健样本外夏普比率。
- 阅读关注点
- 应核对收缩目标的定义、矩有界条件、维度与样本量比例要求，以及收缩强度误差和组合评估方式对结论的影响。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；分布无关仍要求观测独立同分布及矩条件，具体风险改善和组合表现数值未说明。
原文摘要
We introduce shrinkage estimators of the sample mean vector in high dimension. Our estimators share desirable properties relative to existing methods: they are distribution-free, consider bona-fide target estimators, and use simple estimators of the shrinkage intensities independent of the precision matrix which are L2 consistent in high dimension. Unlike existing estimators that impose that the whitened data be an i.i.d. matrix, we only impose i.i.d. across sample observations. We require uniform boundedness of the first four moments, and the high-dimensional asymptotics are in a general Kolmogorov setting where N/T=O(1) as T→∞, with N the mean-vector dimension and T the sample size. We consider as a target estimator either zero or the grand mean. Simulations show that our shrinkage estimators are competitive with a range of benchmark estimators, both when the theoretical assumptions are satisfied and violated. Finally, we apply our estimators to constructing mean-variance portfolios of a large number of stocks, and find that they deliver robust out-of-sample Sharpe ratios.