Modelling Large Dimensional Datasets with Markov Switching Factor Models
用马尔可夫转换因子模型刻画大维数据集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：摘要研究载荷随状态变化的因子模型，并应用于宏观变量、通胀指标和股票收益。
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
用马尔可夫转换因子模型刻画大维数据集
- 研究问题
- 如何在大维近似因子模型中估计由潜在马尔可夫过程驱动的载荷状态变化，并处理真实因子数量未知的问题？
- 方法与思路
- 作者先利用等价线性表示进行主成分因子提取，再构建状态空间模型，用改进滤波和平滑步骤支持 EM 估计。
- 材料陈述的贡献
- 摘要称各估计步骤具有闭式表达式，不要求知道真实因子数，并提供理论性质、蒙特卡洛实验和三类美国数据应用。
- 阅读关注点
- 应核对真实因子数未知时的具体处理、状态与载荷的识别，以及第一步因子估计误差如何进入后续理论分析。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明理论条件、因子维度选择细节或应用中的数值表现。
原文摘要
We study a novel large dimensional approximate factor model with regime changes in the loadings driven by a latent first order Markov process. By exploiting the equivalent linear representation of the model, we first recover the latent factors by means of Principal Component Analysis. We then cast the model in state-space form, and we estimate loadings and transition probabilities through an EM algorithm based on a modified version of the Baum-Lindgren-Hamilton-Kim filter and smoother that makes use of the factors previously estimated. Our approach is appealing as it provides closed form expressions for all estimators. More importantly, it does not require knowledge of the true number of factors. We derive the theoretical properties of the proposed estimation procedure, and we show their good finite sample performance through a comprehensive set of Monte Carlo experiments. The empirical usefulness of our approach is illustrated through three applications to large U.S. datasets of stock returns, macroeconomic variables, and inflation indexes.