Identifying latent factors based on high-frequency data
基于高频数据识别潜在因子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：摘要明确使用高频金融收益数据，检验可观测候选因子与潜在共同因子空间的关系。
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
基于高频数据识别潜在因子
- 研究问题
- 如何利用高频金融数据，检验可观测候选因子的连续成分是否属于潜在共同因子连续成分所张成的空间？
- 方法与思路
- 作者提出两类回归识别策略，分别回归日内收益与候选因子，并对回归残差统计量引入随机性以构造检验。
- 材料陈述的贡献
- 摘要称，新随机化检验具有一致性，模拟评估其有限样本表现；实证研究候选与潜在因子的关系，并将筛选因子用于组合配置。
- 阅读关注点
- 应核对连续成分的处理、潜在因子估计误差、随机化步骤，以及两种回归策略各自的识别条件和检验解释。
- 阅读边界
- 所给 RePEc 出版社摘要未说明高频观测条件、随机化分布或实证数值；因子空间检验不等于验证风险溢价或组合收益改善。
原文摘要
This paper tests whether the continuous component of an observable candidate factor is in the space spanned by the counterparts of latent common factors with high-frequency financial data. We introduce two identification strategies corresponding to two types of regressions: the regressions of intraday asset returns on the estimated factors and the candidate, and the regression of the candidate factor on the estimated ones. We construct the test statistics by adding randomness to the statistics obtained from residuals of the regressions, and demonstrate the consistency of the novel randomized tests. Simulations are conducted to evaluate the performance of the tests in finite samples. We also perform empirical applications to identify the relationships between some candidate factors and the latent ones, and further use the factors selected by the tests for portfolio allocation.