Entropic covariance models
熵型协方差模型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。
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：摘要研究通用协方差矩阵建模，未明确涉及金融波动率、因子或其他所列领域。
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
熵型协方差模型
- 研究问题
- 如何统一处理对协方差矩阵、其逆矩阵及矩阵对数等变换施加线性限制的模型，并获得便于理论分析的有效估计方法？
- 方法与思路
- 作者提出对不同协方差变换施加线性限制的一般框架，通过凸优化得到 M 估计量，并利用几何结构分析相关矩阵参数化。
- 材料陈述的贡献
- 摘要称，该框架支持一般渐近分析及高斯情形的有限样本分析，恢复其所述 n/d 速度，并给出相关矩阵空间的无约束参数化。
- 阅读关注点
- 应核对允许的矩阵变换、凸优化与参数化条件，尤其查明摘要中 n/d 的误差度量和具体含义，不自行倒置该比值。
- 阅读边界
- 摘要未给出损失、速度的精确定义或完整条件；仅按原文保留 n/d，不能据此补出误差界，也不能推断其金融应用表现。
原文摘要
In covariance matrix estimation, one of the challenges lies in finding a suitable model and an efficient estimation method. Two commonly used modelling approaches in the literature involve imposing linear restrictions on the covariance matrix or its inverse. Another approach considers linear restrictions on the matrix logarithm of the covariance matrix. In this paper, we present a general framework for linear restrictions on different transformations of the covariance matrix, including the mentioned examples. Our proposed estimation method solves a convex problem and yields an M-estimator, allowing for relatively straightforward asymptotic (in general) and finite sample analysis (in the Gaussian case). In particular, we recover standard n/d rates, where d is the dimension of the underlying model. Our geometric insights allow to extend various recent results in covariance matrix modelling. This includes providing unrestricted parametrizations of the space of correlation matrices, which is alternative to a recent result utilizing the matrix logarithm.