Property of Inverse Covariance Matrix-based Financial Adjacency Matrix for Detecting Local Groups
逆协方差金融邻接矩阵识别局部群组的性质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：摘要以金融收益的多层因子模型为基础，重点处理全局与局部因子及潜在群组。
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
逆协方差金融邻接矩阵识别局部群组的性质
- 研究问题
- 金融收益同时受全局与局部因子影响时，如何降低全局因子对网络连接识别的干扰，并发现未知的局部资产群组？
- 方法与思路
- 作者利用逆协方差矩阵的负值构造金融邻接矩阵，并提出因子调整的 GLASSO 估计，在多层因子模型下研究群组连接性质。
- 材料陈述的贡献
- 摘要称组间边密度趋于消失而组内不消失；覆盖二十个金融市场的股票应用显示，该方法有助于识别群组并改善最小方差配置。
- 阅读关注点
- 应核对边密度结论的条件、全局因子的调整方法、稀疏估计与群组判定规则，以及投资组合表现的比较设计和评估方式。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未说明理论条件、估计误差或配置改善幅度，不能据此判断其普遍有效性。
原文摘要
In financial applications, we often observe both global and local factors that are modeled by a multi-level factor model. When detecting unknown local group memberships under such a model, employing a covariance matrix as an adjacency matrix for local group memberships is inadequate due to the predominant effect of global factors. Thus, to detect a local group structure more effectively, this study introduces an inverse covariance matrix-based financial adjacency matrix (IFAM) that utilizes negative values of the inverse covariance matrix. We show that IFAM ensures that the edge density between different groups vanishes, while that within the same group remains non-vanishing. This reduces falsely detected connections and helps identify local group membership accurately. To estimate IFAM under the multi-level factor model, we introduce a factor-adjusted GLASSO estimator to address the prevalent global factor effect in the inverse covariance matrix. An empirical study using returns from international stocks across 20 financial markets demonstrates that incorporating IFAM effectively detects latent local groups, which helps improve the minimum variance portfolio allocation performance.