Tests for Principal Eigenvalues and Eigenvectors
主特征值与主特征向量的检验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。
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：摘要以股票收益因子模型为应用，并明确用特征值和特征向量检验解释结构变化。
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…
主特征值与主特征向量的检验
- 研究问题
- 高维协方差结构发生变化时，如何区分主要特征值、特征值相对占比与特征向量的变化，并解释大型因子模型结构突变的来源？
- 方法与思路
- 作者在发散尖峰协方差模型下建立主特征值和特征向量的中心极限定理，构造检验特征值相等、占比稳定和特征向量不变的双样本程序。
- 材料陈述的贡献
- 摘要称，三类检验能够分别考察因子强度、相对重要性及方向的变化；标普股票日收益应用报告金融危机和疫情期间这些维度同时发生变化。
- 阅读关注点
- 应核对尖峰发散速度、样本与维度关系、特征值间隔及双样本依赖条件，并确认这些检验与事先发现结构断点之间的衔接方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本。摘要未说明完整渐近条件、断点选择程序或检验数值结果；历史事件附近的结构变化不能据此作因果解释。
原文摘要
We establish central limit theorems for principal eigenvalues and eigenvectors under divergent spiked covariance models, and develop three two-sample tests for testing (1) the equality of principal eigenvalues, (2) the stability of eigenvalue proportions, and (3) the invariance of principal eigenvectors. One important application of our results is to understand structural breaks in large factor models. That is, when a structural break is suspected or detected, these tests provide unique insights into the source, determining whether the structural break stems from altered factor strength (eigenvalues), a shift in the factors’ relative importance (eigenvalue proportions), or a fundamental factor reorientation (eigenvectors). We demonstrate the application by analyzing daily returns of S&P 500 stocks, revealing that major historical structural breaks, such as the 2008 financial crisis and the 2020 pandemic, were complex events characterized by simultaneous shifts in factor strength, relative importance, and orientation.