Two-sample tests for principal eigenvalues and eigenvectors in high-dimensional elliptical factor models
高维椭圆因子模型中主特征值与特征向量的两样本检验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：摘要以高维椭圆因子模型的主特征值与特征方向检验为核心，并应用于 S&P 500 股票收益，直接对应因子模型与金融因子两个细分方向。
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…
关注这篇论文的作者
高维椭圆因子模型中主特征值与特征向量的两样本检验
- 研究问题
- 摘要称，研究在高维椭圆因子模型下，如何检验两个总体的主特征值与主特征方向（特征向量）是否相等，以刻画因子模型的结构不稳定性；并关注重尾下基于协方差的推断可能不可靠的问题。
- 方法与思路
- 作者提出结合 Tyler 恒等式、正交化与交叉拟合的两样本检验方法，以容纳一般的位置与精度预估计；并推导谱极限理论，声称在校准上渐近有效且不依赖径向变量的上尾矩假设，允许两总体径向分布与因子秩不同。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：为迹归一化形状矩阵的主特征值与特征方向建立两样本检验，给出无需上尾矩假设的渐近校准理论，并通过模拟显示在重尾椭圆分布下具有较好的水平控制与相对协方差基准的规模调整功效增益。
- 阅读关注点
- 阅读全文时应核对：Tyler 恒等式与交叉拟合的具体构造、位置与精度预估计的条件、谱极限理论所需的识别与正则假设、两总体因子秩不同的处理方式，以及模拟设计与 S&P 500 应用中对“相对强度变化”与“方向变化”的区分是否可复现。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、检验的实际水平与功效、模拟设置的代表性及实证结论的稳健性；该来源为 arXiv 预印本，同行评审状态未经验证，不能据此声称已被期刊接收。
原文摘要
Changes in principal eigenvalues and eigendirections provide complementary diagnostics of structural instability in factor models, but covariance-based inference can be unreliable under heavy tails. We develop two-sample tests for equality of these features of trace-normalized shape matrices under high-dimensional elliptical factor models. Our approach combines Tyler's identity with orthogonalization and cross-fitting to accommodate general location and precision pilots. We derive a spectral limit theory that yields asymptotically valid calibration without upper-tail moment assumptions on the radial variables, allowing the two populations to have different radial distributions and factor ranks. Simulations demonstrate good size control and gains in size-adjusted power over covariance-based benchmarks under heavy-tailed elliptical distributions. An application to S\&P~500 stock returns illustrates how the tests distinguish changes in relative component strength from changes in component orientation.