Robust Spatial-Sign-Based Testing of High-Dimensional Alpha in Conditional Factor Models
条件因子模型中高维 Alpha 的稳健空间符号检验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：摘要明确研究条件因子定价模型的高维 Alpha 检验及金融因子结构。
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
条件因子模型中高维 Alpha 的稳健空间符号检验
- 研究问题
- 时变系数的高维因子定价模型中，如何检验不同稀疏程度的非零 Alpha，并减轻厚尾分布的影响？作者研究最大型与和型检验的结合。
- 方法与思路
- 作者构造基于空间符号的最大型统计量，推导零假设极限分布及其与已有和型统计量的渐近独立性，再通过 Cauchy 方法组合检验。
- 材料陈述的贡献
- 摘要称，渐近独立性支持自适应组合程序；模拟和实证展示其厚尾稳健性及不同备择下的表现，但这些优势尚需核对比较条件。
- 阅读关注点
- 应核对时变系数估计方式、维度增长与尾部条件，检查渐近独立性证明，以及组合检验在不同稀疏度下的尺寸和功效比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未列出完整分布假设、模拟设置与比较数值，不能确认普遍功效优势。
原文摘要
This paper develops a new framework for alpha testing in high-dimensional factor pricing models with time-varying coefficients. To detect sparse alternatives, we propose a spatial-sign-based max-type test and derive its limiting null distribution. A key theoretical result is that our statistic is asymptotically independent of the spatial-sign-based sum-type test proposed by Zhao (2023). Exploiting this independence, we construct an adaptive testing procedure via the Cauchy combination method. This approach integrates the complementary strengths of both max-type and sum-type statistics, ensuring robust power across diverse sparsity levels. Extensive simulations and an empirical application demonstrate that the proposed test is resilient to heavy-tailed distributions and maintains superior performance under various alternative specifications.