Using principal component analysis to estimate a high dimensional factor model with high-frequency data
利用主成分分析估计高频数据的高维因子模型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：摘要同时强调高频采样、高维共同因子和美国股票协方差结构，直接对应高频计量与金融因子方向。
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
利用主成分分析估计高频数据的高维因子模型
- 研究问题
- 当采样频率与变量数同时增加时，如何估计共同因子的数量，并利用这一结构刻画股票组合的协方差矩阵？
- 方法与思路
- 题名指向主成分分析，摘要称构造共同因子数估计量，并以低秩共同结构和稀疏残差矩阵描述美国股票协方差。
- 材料陈述的贡献
- 摘要报告大型美国股票组合具有低秩加稀疏结构，并称所提估计量用于样本外组合配置时明显优于样本协方差估计。
- 阅读关注点
- 应核对因子数选择准则、频率与维度增长条件，以及残差稀疏性的要求和样本外组合配置的具体评价方法。
- 阅读边界
- 仅据所给出版社摘要，因子数估计公式、交易噪声处理和配置表现数值未说明；不能将该结果视为普遍配置优势。
原文摘要
This paper constructs an estimator for the number of common factors in a setting where both the sampling frequency and the number of variables increase. Empirically, we document that the covariance matrix of a large portfolio of US equities is well represented by a low rank common structure with sparse residual matrix. When employed for out-of-sample portfolio allocation, the proposed estimator largely outperforms the sample covariance estimator.