A Data-Adaptive Factor Model Using Composite Quantile Approach
基于复合分位数的数据自适应因子模型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。
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：摘要直接研究高维共同因子提取、因子数选择，并明确包含预测应用。
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
基于复合分位数的数据自适应因子模型
- 研究问题
- 面对具有不同分布特征的高维数据，如何通过多个分位数自适应提取共同因子，并确定因子数量及估计量的统计性质？
- 方法与思路
- 作者提出数据自适应因子模型，最小化跨分位数加权的检验损失函数，并借助核平滑目标的近似估计量推导渐近分布。
- 材料陈述的贡献
- 摘要称建立了一致性、收敛速度及渐近分布，并提出两种一致的因子数选择方法；模拟和波动率、预测应用显示其有效性。
- 阅读关注点
- 应核对分位数及权重如何选择、因子识别与归一化条件、核平滑近似的作用，以及不同分布下比较方法和预测评估的设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未提供理论条件、比较数值或应用对象，不能认定其普遍优于其他因子模型。
原文摘要
This paper proposes a data-adaptive factor model (DAFM), a novel framework for extracting common factors that explain the structures of high-dimensional data. DAFM adopts a composite quantile strategy to adaptively capture the full distributional structure of the data, thereby enhancing estimation accuracy and revealing latent patterns that are invisible to conventional factor models. In this paper, we develop a practical algorithm for estimating DAFM by minimizing an objective function based on a weighted average of check functions across quantiles. We also establish the theoretical properties of the estimators, including their consistency and convergence rates. Furthermore, we derive their asymptotic distributions by introducing approximated estimators from a kernel-smoothed objective function, and propose two consistent methods for determining the number of factors. Simulation studies demonstrate that DAFM outperforms existing factor models across different data distributions, and real data analyses on volatility and forecasting further validate its effectiveness.