The Virtue of Sparsity in Complexity
复杂模型中的稀疏性价值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：摘要明确研究高维资产定价、被定价风险因子的稀疏结构与定价核。
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
复杂模型中的稀疏性价值
- 研究问题
- 高维资产定价中，扩大模型容量与保持定价因子稀疏是否冲突，还是在足够大的候选因子空间中可以形成互补？
- 方法与思路
- 作者区分容量稀疏与因子稀疏，在既有经验设计中结合非线性特征扩展、基追踪、列生成及 GPU 加速处理大规模候选因子。
- 材料陈述的贡献
- 摘要称最大候选集下稀疏组合的样本外夏普比率更高、定价误差更低，而低复杂度下落后于稠密基准，显示样本内的互补关系。
- 阅读关注点
- 应核对候选因子生成、稀疏约束与定价核构造，重点检查样本外切分、调参信息使用及不同复杂度下的基准可比性。
- 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；优势来自所述经验设计，摘要未说明统计显著性、交易成本或普遍性。
原文摘要
Sparsity or complexity? In modern high-dimensional asset pricing, these are often viewed as competing principles: recent empirical evidence favors richer models, while economic intuition has long favored parsimony. We reconcile this tension by distinguishing capacity sparsity-restrictions on effective model capacity-from factor sparsity-the parsimonious structure of priced risks. Revisiting the benchmark empirical design of Didisheim et al. (2025), we combine nonlinear feature expansions with basis pursuit, using column generation and GPU acceleration to scale estimation to 432 million candidate factors. Reaching this scale reveals a reversal in out-of-sample performance: sparse portfolios trail dense ridgeless benchmarks at lower complexity but achieve a higher Sharpe ratio and lower pricing error at the largest candidate set. Capacity expansion and factor sparsity are therefore complements: enlarging the candidate space allows a parsimonious pricing kernel to outperform its dense counterpart.