Large-dimensional factor modeling based on high-frequency observations
基于高频观测的高维因子建模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：摘要明确基于金融高频观测估计因子数量、载荷和因子，并区分连续与跳跃系统性风险。
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
基于高频观测的高维因子建模
- 研究问题
- 当横截面维度和高频观测数量都较大时，如何估计未知因子结构，并将连续风险的共同因子与稀有跳跃风险因子分离？
- 方法与思路
- 作者对二次协变差矩阵进行主成分分析以估计因子和载荷，并用扰动特征值比率统计量确定因子数量。
- 材料陈述的贡献
- 摘要称建立一致性与渐近混合正态性；标普500公司应用识别出四个稳定连续因子，且跳跃因子不同于连续因子。
- 阅读关注点
- 应核对连续与跳跃因子的分离条件、因子数量选择规则、混合正态极限的推断含义，以及市场和行业组合近似的证据。
- 阅读边界
- 仅据所给出版社摘要，无法判断因子数在其他时期或市场是否稳定；摘要未说明噪声、异步采样的处理及具体理论条件。
原文摘要
This paper develops a statistical theory to estimate an unknown factor structure based on financial high-frequency data. We derive an estimator for the number of factors and consistent and asymptotically mixed-normal estimators of the loadings and factors under the assumption of a large number of cross-sectional and high-frequency observations. The estimation approach can separate factors for continuous and rare jump risk. The estimators for the loadings and factors are based on the principal component analysis of the quadratic covariation matrix. The estimator for the number of factors uses a perturbed eigenvalue ratio statistic. In an empirical analysis of the S&P 500 firms we estimate four stable continuous systematic factors, which can be approximated very well by a market and industry portfolios. Jump factors are different from the continuous factors.