Testing Alphas in Linear Factor Models: A Portfolio Approach
线性因子模型的 Alpha 检验：投资组合方法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：摘要明确以投资组合 Alpha 检验评价高维线性因子模型，直接涉及金融因子与资产定价。
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
线性因子模型的 Alpha 检验：投资组合方法
- 研究问题
- 在高维资产集合中，如何借助多个随机稀疏投资组合检验线性因子模型的定价误差，并保留投资组合层面的经济解释？
- 方法与思路
- 作者生成多个由随机抽取构成的稀疏组合，选取其中最难定价者构造 MRSP 检验，并研究中心化统计量的极值极限分布。
- 材料陈述的贡献
- 摘要称该检验避免仅依赖单个最难定价资产，在给定条件下具有第一类极值极限分布，并报告模拟稳定性和因子模型应用。
- 阅读关注点
- 应核对随机组合数量与稀疏程度的选择、中心化方式、资产依赖及维度增长条件，以及随机生成步骤对检验结果的影响。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断正则条件、随机化敏感性和有限样本检验尺寸；实证结果依赖模型与测试资产，也不推断刊本变化。
原文摘要
This paper develops a test for evaluating linear factor models in high-dimensional settings. The proposed Maximum Random Sparse Portfolio (MRSP) test generates L random sparse portfolios, each obtained through K random draws, and then selects the hardest-to-price portfolio to assess factor model performance. By evaluating multiple randomly generated sparse portfolios, the MRSP test retains a portfolio-based economic interpretation while avoiding reliance on a single hardest-to-price asset. Under the null hypothesis and the stated regularity conditions, the centered MRSP statistic converges to a type I extreme value distribution. Monte Carlo simulations show stable finite-sample performance. In the empirical application, model fit generally improves in recent years, although the evidence varies across factor models and test assets. The 3-factor model of Daniel, Hirshleifer, and Sun (2020, Review of Financial Studies) performs best among the models considered.