High-Dimensional Time-Varying Coefficient Estimation in Diffusion Models
扩散模型中的高维时变系数估计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：摘要以资产收益为实证对象、讨论行业因子解释力与样本外 R²，并围绕扩散过程的时变系数估计展开，故对应资产定价、时间序列与金融因子方向。
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
扩散模型中的高维时变系数估计
- 研究问题
- 摘要称，本文研究如何在高维 Itô 扩散过程框架下估计高维时变系数，并处理系数稀疏性与正则化偏差问题。
- 方法与思路
- 作者提出先以时间局部化的 Dantzig 选择在稀疏条件下估计局部（瞬时）系数，再引入去偏方案得到无偏局部系数估计，进而估计积分系数，并对系数过程施加阈值化，方法称为 TED。
- 材料陈述的贡献
- 摘要称作者建立了所提 TED 估计量的渐近性质；实证中 TED 在多数时期取得高于基准估计量的资产样本外平均 R²，并称行业相关因子对资产收益解释起核心作用，估计的积分系数呈现与公司特定事件和季节模式相关的明显时变。
- 阅读关注点
- 应核对稀疏条件与时间局部化窗口的具体设定、去偏与阈值化的实现细节、渐近性质所需的识别与正则化假设，以及样本外 R² 比较的基准、资产范围与时期划分。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、渐近性质的具体形式与适用范围，也无法核实实证结果的可复制性；摘要未说明数据来源、样本区间与基准估计量的具体定义。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
In this paper, we develop a novel high-dimensional time-varying coefficient estimation method, based on high-dimensional Itô diffusion processes. To account for high-dimensional time-varying coefficients, we first estimate local (or instantaneous) coefficients using a time-localized Dantzig selection scheme under a sparsity condition, which results in biased local coefficient estimators due to the regularization. To handle the bias, we propose a debiasing scheme, which provides well-performing unbiased local coefficient estimators. With the unbiased local coefficient estimators, we estimate the integrated coefficient, and to further account for the sparsity of the coefficient process, we apply thresholding schemes. We call this Thresholding dEbiased Dantzig (TED). We establish asymptotic properties of the proposed TED estimator. In the empirical analysis, TED achieves a higher average out-of-sample $R^2$ across assets than benchmark estimators in most periods. Industry-related factors play a central role in explaining asset returns. The estimated integrated coefficients show pronounced time variation associated with firm-specific events and seasonal patterns.