Interpretable Sparse Proximate Factors for Large Dimensions
高维数据中可解释的稀疏近似因子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：摘要直接研究高维潜在因子及 PCA 近似，并使用宏观经济数据和金融投资组合数据作实证，支持归入宏观因子与金融因子。
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
高维数据中可解释的稀疏近似因子
- 研究问题
- 高维因子模型中，能否用少量变量构造易解释的近似因子，在不假设原始权重或载荷稀疏的条件下保留 PCA 因子信息？
- 方法与思路
- 作者将 PCA 因子权重收缩，仅保留绝对值最大的权重，并利用极值理论分析近似机制，推导旋转后与总体因子的相关性渐近界。
- 材料陈述的贡献
- 摘要称，无需假设原始权重或载荷稀疏，仅用少量数据即可逼近总体及 PCA 因子；模拟与实证报告平均相关性约为 97.5%。
- 阅读关注点
- 阅读时应核对稀疏权重筛选规则、因子旋转与相关性界的适用条件，以及变量保留比例和宏观、金融实证中的解释依据。
- 阅读边界
- 摘要未说明完整理论条件与样本设置；少量数据即可逼近因子的结论需核对适用范围，高相关性本身不足以证明预测或经济识别改善。
原文摘要
This article proposes sparse and easy-to-interpret proximate factors to approximate statistical latent factors. Latent factors in a large-dimensional factor model can be estimated by principal component analysis (PCA), but are usually hard to interpret. We obtain proximate factors that are easier to interpret by shrinking the PCA factor weights and setting them to zero except for the largest absolute ones. We show that proximate factors constructed with only 5%–10% of the data are usually sufficient to almost perfectly replicate the population and PCA factors without actually assuming a sparse structure in the weights or loadings. Using extreme value theory we explain why sparse proximate factors can be substitutes for non-sparse PCA factors. We derive analytical asymptotic bounds for the correlation of appropriately rotated proximate factors with the population factors. These bounds provide guidance on how to construct the proximate factors. In simulations and empirical analyses of financial portfolio and macroeconomic data, we illustrate that sparse proximate factors are close substitutes for PCA factors with average correlations of around 97.5%, while being interpretable.