High dimensional covariance matrix estimation using a factor model
使用因子模型估计高维协方差矩阵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。
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：摘要以金融套利定价理论为动机，使用可观测多因子模型并分析投资组合应用。
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
使用因子模型估计高维协方差矩阵
- 研究问题
- 当变量维度与样本量相当且因子数量也增长时，可观测多因子模型如何改善协方差矩阵估计，并影响投资组合配置和风险评估？
- 方法与思路
- 作者以可观测多因子模型降维，在变量维度、样本量及因子数量增长的框架下分析估计性质，并与样本协方差矩阵比较。
- 材料陈述的贡献
- 摘要称，论文建立收敛速度和渐近正态性，区分因子方法显著或有限改善的情形，并分析投资组合影响及提供模拟支持。
- 阅读关注点
- 应核对维度和因子数的增长限制、协方差误差采用的度量、残差结构假设，以及估计改善如何传递到组合配置和风险计算。
- 阅读边界
- 仅据所给 RePEc 出版社摘要解读；所谓温和条件未展开，摘要未说明具体改善幅度，不能推定所有高维协方差问题均受益。
原文摘要
High dimensionality comparable to sample size is common in many statistical problems. We examine covariance matrix estimation in the asymptotic framework that the dimensionality p tends to [infinity] as the sample size n increases. Motivated by the Arbitrage Pricing Theory in finance, a multi-factor model is employed to reduce dimensionality and to estimate the covariance matrix. The factors are observable and the number of factors K is allowed to grow with p. We investigate the impact of p and K on the performance of the model-based covariance matrix estimator. Under mild assumptions, we have established convergence rates and asymptotic normality of the model-based estimator. Its performance is compared with that of the sample covariance matrix. We identify situations under which the factor approach increases performance substantially or marginally. The impacts of covariance matrix estimation on optimal portfolio allocation and portfolio risk assessment are studied. The asymptotic results are supported by a thorough simulation study.