Covariance Matrix Estimation for Positively Correlated Assets
正相关资产的协方差矩阵估计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：摘要研究资产收益协方差和组合方差，并明确以弱因子及因子排序组合为方法与应用依据。
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
正相关资产的协方差矩阵估计
- 研究问题
- 当资产收益普遍正相关时，如何调整与弱因子相关的特征向量，以获得条件良好的协方差估计，并改善样本外组合方差表现？
- 方法与思路
- 作者提出特征向量旋转收缩估计量 ERSE，成对旋转特征向量并保持正交性；摘要将其关联到对两个特征值的多重线性收缩。
- 材料陈述的贡献
- 摘要报告在因子排序组合中，相对线性及非线性收缩的平均风险降幅为 10.52% 和 12.46%，并称条件数与权重稳定性有所改善。
- 阅读关注点
- 应核对旋转规则与旋转等变框架的关系、弱因子判定、样本外组合构造，以及比较方法、估计窗口和风险降幅的统计不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。所报降幅来自摘要中的特定组合应用，未说明显著性或交易约束，不能推为普遍效果。
原文摘要
The comovement phenomenon in financial markets creates decision scenarios with positively correlated asset returns. This paper addresses covariance matrix estimation under such conditions, motivated by observations of significant positive correlations in factor-sorted portfolio monthly returns. We demonstrate that fine-tuning eigenvectors linked to weak factors within rotation-equivariant frameworks produces well-conditioned covariance matrix estimates. Our Eigenvector Rotation Shrinkage Estimator (ERSE) pairwise rotates eigenvectors while preserving orthogonality, equivalent to performing multiple linear shrinkage on two distinct eigenvalues. Empirical results on factor-sorted portfolios from the Ken French data library demonstrate that ERSE outperforms existing rotation-equivariant estimators in reducing out-of-sample portfolio variance, achieving average risk reductions of 10.52\% versus linear shrinkage methods and 12.46\% versus nonlinear shrinkage methods. Further checks indicate that ERSE yields covariance matrices with lower condition numbers, produces more concentrated and stable portfolio weights, and provides consistent improvements across different subperiods and estimation windows.