Robust Estimation of Conditional Factor Models
条件因子模型的稳健估计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：摘要直接研究资产收益的条件分位数因子模型，分别对应金融因子及分位数与分布方法两个方向。
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
条件因子模型的稳健估计
- 研究问题
- 如何利用资产特征估计收益分布的条件分位数因子结构，并在收益具有厚尾时开展推断及确定因子数量？
- 方法与思路
- 作者提出筛估计，研究大横截面维度下的渐近性质，使用 bootstrap 估计估计量分布，并给出两种因子数估计量。
- 材料陈述的贡献
- 摘要称，该方法支持条件分位数因子结构的估计与稳健推断，两种因子数估计量具有一致性，并应用于美国个股收益。
- 阅读关注点
- 应核对因子结构的识别与归一化、大样本设定、厚尾容许范围、bootstrap 有效性，以及因子数一致性的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明稳健性所需条件、时间维度设定或股票应用的具体结果。
原文摘要
This paper develops estimation and inference methods for conditional quantile factor models. We first introduce a simple sieve estimation, and establish asymptotic properties of the estimators under large $N$. We then provide a bootstrap procedure for estimating the distributions of the estimators. We also provide two consistent estimators for the number of factors. The methods allow us not only to estimate conditional factor structures of distributions of asset returns utilizing characteristics, but also to conduct robust inference in conditional factor models, which enables us to analyze the cross section of asset returns with heavy tails. We apply the methods to analyze the cross section of individual US stock returns.