Learning Latent Factors from Diversified Projections and its Applications to Over-Estimated and Weak Factors
通过分散化投影学习潜在因子：因子数高估与弱因子的应用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：摘要直接研究面板潜在因子估计，并明确将大数据预测列为应用。
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
通过分散化投影学习潜在因子：因子数高估与弱因子的应用
- 研究问题
- 当因子数难以一致估计、因子较弱或时间序列较短时，如何学习潜在因子，并降低对传统特征向量分析条件的依赖？
- 方法与思路
- 作者用预定权重对面板数据进行截面加权投影，使特异成分被分散化，得到潜在因子的简单估计，并建议权重选择。
- 材料陈述的贡献
- 摘要称证明方法对因子数高估稳健，可适用于有限时间长度，并展示选择后推断、大数据预测、协方差估计与因子检验。
- 阅读关注点
- 应核对权重分散特异成分所需条件、弱因子的强度要求，以及有限时间长度和因子数高估下各应用结论的范围。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列弱因子与依赖限制，不能推断完全无需相关条件。
原文摘要
Estimations and applications of factor models often rely on the crucial condition that the number of latent factors is consistently estimated, which in turn also requires that factors be relatively strong, data are stationary and weak serial dependence, and the sample size be fairly large, although in practical applications, one or several of these conditions may fail. In these cases it is difficult to analyze the eigenvectors of the data matrix. To address this issue, we propose simple estimators of the latent factors using cross-sectional projections of the panel data, by weighted averages with pre-determined weights. These weights are chosen to diversify away the idiosyncratic components, resulting in "diversified factors". Because the projections are conducted cross-sectionally, they are robust to serial conditions, easy to analyze and work even for finite length of time series. We formally prove that this procedure is robust to over-estimating the number of factors, and illustrate it in several applications, including post-selection inference, big data forecasts, large covariance estimation and factor specification tests. We also recommend several choices for the diversified weights.