Higher Moment Estimation for Elliptically-distributed Data: Is it Necessary to Use a Sledgehammer to Crack an Egg?
高维椭圆分布数据的高阶矩估计：是否需要大材小用？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：摘要涉及金融收益应用，但核心是一般椭圆模型的矩估计，未明确研究波动率、尾部风险或资产定价等具体方向。
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…
高维椭圆分布数据的高阶矩估计：是否需要大材小用？
- 研究问题
- 研究高维半参数椭圆模型的矩参数能否在不估计整个精度矩阵的情况下有效估计，从而减少辅助估计负担。
- 方法与思路
- 作者提出仅需估计协方差矩阵对角线的边际聚合估计器，并在可获得对角块估计时扩展为分块聚合方法。
- 材料陈述的贡献
- 摘要称，在协方差结构满足一定稀疏条件时，边际聚合估计器与已知真实精度矩阵的理想估计器具有相同渐近方差。
- 阅读关注点
- 应核对矩参数的定义、协方差稀疏条件及效率比较基准，并检查分块扩展与金融收益应用中的具体实施方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出稀疏条件细节，渐近效率也不能直接保证有限样本优势。
原文摘要
Multivariate elliptically-contoured distributions are widely used for modeling economic and financial data. We study the problem of estimating moment parameters of a semi-parametric elliptical model in a high-dimensional setting. Such estimators are useful for financial data analysis and quadratic discriminant analysis. For low-dimensional elliptical models, efficient moment estimators can be obtained by plugging in an estimate of the precision matrix. Natural generalizations of the plug-in estimator to high-dimensional settings perform unsatisfactorily, due to estimating a large precision matrix. Do we really need a sledgehammer to crack an egg? Fortunately, we discover that moment parameters can be efficiently estimated without estimating the precision matrix in high-dimension. We propose a marginal aggregation estimator (MAE) for moment parameters. The MAE only requires estimating the diagonal of covariance matrix and is convenient to implement. With mild sparsity on the covariance structure, we prove that the asymptotic variance of MAE is the same as the ideal plug-in estimator which knows the true precision matrix, so MAE is asymptotically efficient. We also extend MAE to a block-wise aggregation estimator (BAE) when estimates of diagonal blocks of covariance matrix are available. The performance of our methods is validated by extensive simulations and an application to financial returns.