Dynamic Latent-Factor Model with High-Dimensional Asset Characteristics
具有高维资产特征的动态潜在因子模型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：摘要明确研究动态潜在金融因子、高维资产特征、资产定价检验和风险溢价。
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
具有高维资产特征的动态潜在因子模型
- 研究问题
- 当资产特征数量与样本量同阶时，如何估计动态潜在因子模型，并在筛选弱信号特征后仍为资产定价检验提供有效推断？
- 方法与思路
- 作者使用 Double Selection Lasso 正则化高维资产特征，构建动态潜在因子估计及定价推断，并提供可观测不可交易因子的风险溢价推断程序。
- 材料陈述的贡献
- 摘要称，方法在特征筛选后保持渐近有效推断，并展示样本外定价与风险调整收益比较；加密资产应用发现通胀模拟组合具有正风险补偿。
- 阅读关注点
- 应核对双重选择的具体方程、因子识别和高维增长条件、样本外划分，以及通胀模拟组合构造与风险溢价推断的误差处理。
- 阅读边界
- 依据所给 arXiv 预印本摘要，不能确认同行评审或期刊接收。摘要未列出理论条件和比较数值，不能据此判断估计量对各基准的全面优势。
原文摘要
We develop novel estimation procedures with supporting econometric theory for a dynamic latent-factor model with high-dimensional asset characteristics, that is, the number of characteristics is on the order of the sample size. Utilizing the Double Selection Lasso estimator, our procedure employs regularization to eliminate characteristics with low signal-to-noise ratios yet maintains asymptotically valid inference for asset pricing tests. The crypto asset class is well-suited for applying this model given the limited number of tradable assets and years of data as well as the rich set of available asset characteristics. The empirical results present out-of-sample pricing abilities and risk-adjusted returns for our novel estimator as compared to benchmark methods. We provide an inference procedure for measuring the risk premium of an observable nontradable factor, and employ this to find that the inflation-mimicking portfolio in the crypto asset class has positive risk compensation.