A Balanced Parametrization of Correlation Matrices
相关矩阵的平衡参数化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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以相关矩阵参数化与高维稀疏相关建模为核心，实证使用股票收益的冲击相关，直接涉及金融因子与风险相关性结构，故选择金融因子和尾部与系统性风险两个方向。
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
相关矩阵的平衡参数化
- 研究问题
- 摘要称，本文关注正定相关矩阵的参数化问题：如何构造一种映射，使相关矩阵与对称空心矩阵之间一一对应，并同时具备闭式变换、逆一致性与稀疏保持等性质。
- 方法与思路
- 作者提出平衡相关参数化（BCP），将正定相关矩阵一一映射到对称空心矩阵集合，变换与逆变换均有闭式表达；该参数化结合边际相关与偏相关，并考察其在变量置换、符号变化、块结构以及高维稀疏情形下的性质。
- 材料陈述的贡献
- 摘要称 BCP 兼具边际与偏相关信息、逆一致、在变量置换与符号变化下等变、保持块结构；其新性质是在适当因子条件下，当维数趋于无穷时保持相关稀疏性，为稀疏高维相关建模提供基础。
- 阅读关注点
- 阅读全文时应核对：BCP 的闭式变换与逆变换的具体形式及定义域条件；稀疏保持所需的因子条件与渐近设定；置换等变、符号等变与块结构保持的证明；以及实证中 1765 只股票、15 年数据的稀疏模式与正定重构结果。
- 阅读边界
- 摘要未说明 BCP 的完整识别假设、定理条件与证明细节，也未给出稀疏保持的精确速率或模拟比较；实证结果仅来自摘要陈述，无法据此判断其相对已有参数化的普遍优越性。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We introduce the balanced correlation parametrization (BCP), which maps positive-definite correlation matrices one-to-one onto the set of symmetric hollow matrices. A key feature of the parametrization is that both the transformation and its inverse are available in closed form. It combines marginal and partial correlations, is inverse-consistent and equivariant under variable permutations and sign changes, and preserves block structure. A novel property of BCP is that it preserves correlation sparsity as the dimension tends to infinity under suitable factor conditions, providing a basis for sparse high-dimensional correlation modeling. An empirical illustration using standardized idiosyncratic daily stock returns for 1,765 equities over 15 years shows that BCP retains the approximate sparsity pattern and magnitudes of shock correlations, and that it yields accurate positive-definite reconstructions under sparse coordinate restrictions.