Sparse Asymptotic PCA: Identifying Sparse Latent Factors Across Time Horizon in High-Dimensional Time Series
稀疏渐近主成分分析：识别高维时间序列中跨时间的稀疏潜在因子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：摘要研究高维动态潜在因子，并明确应用于股票收益中的风险因子识别。
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
稀疏渐近主成分分析：识别高维时间序列中跨时间的稀疏潜在因子
- 研究问题
- 当大量金融资产普遍暴露于共同因子、载荷并不稀疏时，如何识别因子过程在时间维度上的稀疏性并估计共同变动？
- 方法与思路
- 作者在因子过程上施加零范数约束，以截断幂法和逐次消去估计多个因子，并用横截面交叉验证选择时间稀疏程度。
- 材料陈述的贡献
- 摘要称，估计量在维度与时间长度共同增长时具有一致性；模拟表现良好，标普500日收益应用识别出九个风险因子。
- 阅读关注点
- 应核对时间稀疏性的经济含义、一致性所需条件、多个因子的提取顺序，以及交叉验证如何处理时间依赖。
- 阅读边界
- 这是arXiv预印本，同行评审及期刊接收未核实；摘要未给出完整条件和误差结果，九个因子的经济解释也未说明。
原文摘要
This paper introduces a novel sparse latent factor modeling framework using sparse asymptotic Principal Component Analysis (APCA) to analyze the co-movements of high-dimensional panel data over time. Unlike existing methods based on sparse PCA, which assume sparsity in the loading matrices, our approach posits sparsity in the factor processes while allowing non-sparse loadings. This is motivated by the fact that financial returns typically exhibit universal and non-sparse exposure to market factors. Unlike the commonly used $\ell_1$-relaxation in sparse PCA, the proposed sparse APCA employs a truncated power method to estimate the leading sparse factor and a sequential deflation method for multi-factor cases under $\ell_0$-constraints. Furthermore, we develop a data-driven approach to identify the sparsity of risk factors over the time horizon using a novel cross-sectional cross-validation method. We establish the consistency of our estimators under mild conditions as both the dimension $N$ and the sample size $T$ grow. Monte Carlo simulations demonstrate that the proposed method performs well in finite samples. Empirically, we apply our method to daily S&P 500 stock returns (2004--2016) and identify nine risk factors influencing the stock market.