跳到正文
← 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:摘要核心是通用精度矩阵理论;标普指数和夏普比率应用不足以确定其属于资产定价、金融因子或风险细分。

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

稠密精度矩阵估计的非渐近框架:复杂度、信号与双重下降

研究问题
能否在同一精度矩阵估计框架中兼顾稠密性、一致性与不依赖特定模型的目标,并解释复杂度和信号如何影响误差?
方法与思路
作者提出一类非渐近估计方法,以复杂度、信号幅度和方法偏差三个随机量刻画误差,并分析无岭回归这一特例。
材料陈述的贡献
摘要称,无岭特例呈现双重下降,并声称给出精度矩阵中的首次正式对应结果;标普指数应用观察到夏普比率的双重上升模式。
阅读关注点
应核对“无模型”与一致性的具体含义、随机量和误差界的定义,以及双重下降理论与金融应用中夏普比率模式的联系。
阅读边界
这是 arXiv 预印本,不能据此认定已同行评审或期刊接收;摘要未提供分布与维度条件,首次性及应用外推均无法据此验证。

原文摘要

Precision matrix estimation is a cornerstone concept in statistics, economics, and finance. Despite advances in recent years, estimation methods that are simultaneously (i) dense, (ii) consistent, and (iii) model-free are lacking. While each of these targets can be met separately, achieving them together is challenging.We address this gap by introducing a general class of estimators that unifies these features within a nonasymptotic framework, allowing for explicit characterization of the computational complexity, signal-to-noise ratio trade-off. Our analysis identifies three fundamental random quantities, complexity, signal magnitude, and method bias that jointly determine estimation error. A particularly striking result is that ridgeless regression, a tuning-free special case within our class, exhibits the double descent phenomenon. This establishes the first formal precision matrix analogue to the well-known double descent behavior in linear regression. Our theoretical analysis is supported by a thorough empirical study of the S\&P 500 index, where we observe a doubly ascending Sharpe ratio pattern, which complements the double descent phenomenon.

笔记与分组
相关领域论文