On the number of common factors with high-frequency data
高频数据中的共同因子数量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：摘要明确使用高频数据估计连续时间模型的共同因子数，允许载荷时变，并分析金融数据，直接对应金融因子与高频计量。
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
高频数据中的共同因子数量
- 研究问题
- 对于因子载荷随时间变化的连续时间因子模型，如何利用高频观测确定共同因子数量，并避免依赖载荷恒定的限制？
- 方法与思路
- 作者在收缩时间区块内用离散时间因子模型局部近似，实施局部主成分分析，再最小化带惩罚的聚合均方残差准则。
- 材料陈述的贡献
- 摘要称因子数估计一致，聚合残差准则达到恒定载荷下全局 PCA 准则的收敛速率，并以模拟和金融数据展示表现。
- 阅读关注点
- 阅读全文时应核对区块长度、惩罚项和时变载荷条件，以及局部与聚合误差的收敛速率及因子数一致性的证明范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；区块选择、惩罚规则及高频观测条件未展开，不能据此判断具体金融数据的适用性。
原文摘要
In this paper, we introduce a local principal component analysis approach to determining the number of common factors of a continuous-time factor model with time-varying factor loadings using high-frequency data. The model is approximated locally on shrinking blocks using discrete-time factor models. The number of common factors is estimated by minimizing the penalized aggregated mean squared residual error over all shrinking blocks. While the local mean squared residual error on each block converges at rate |$\min(n^{1/4}, p)$|, where |$n$| is the sample size and |$p$| is the dimension, the aggregated mean squared residual error converges at rate |$\min(n^{1/2}, p)$|; this achieves the convergence rate of the penalized criterion function of the global principal component analysis method, assuming restrictive constant factor loading. An estimator of the number of factors based on the local principal component analysis is consistent. Simulation results justify the performance of our estimator. A real financial dataset is analysed.