Deep learning based residuals in non-linear factor models: Precision matrix estimation of returns with low signal-to-noise ratio
非线性因子模型中的深度学习残差：低信噪比收益精度矩阵估计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。
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：摘要明确以资产收益的非线性因子模型估计精度矩阵，并讨论金融市场中的弱因子，直接对应金融因子方向。
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
非线性因子模型中的深度学习残差：低信噪比收益精度矩阵估计
- 研究问题
- 在资产数量较多、信噪比较低且可能存在弱因子时，如何估计收益精度矩阵，并控制深度学习估计误差？
- 方法与思路
- 作者在深度学习框架中构建非线性因子模型，利用残差估计收益精度矩阵，并提出数据依赖的误差协方差估计量。
- 材料陈述的贡献
- 摘要称，论文给出精度矩阵估计的一致性、收敛率及随资产数量扩张的风险统一界，并兼容低信噪比和弱因子情形。
- 阅读关注点
- 应核对非线性因子结构、网络复杂度及资产维度增长条件，以及残差误差如何传递至协方差和精度矩阵估计。
- 阅读边界
- 摘要未说明矩阵结构限制、比较基准或实证资产范围，不能据此推断所有市场均有效；仅依据所给 OpenAlex 版本。
原文摘要
This paper introduces a consistent estimator and rate of convergence for the precision matrix of asset returns in large portfolios using a non-linear factor model within the deep learning framework. Our estimator remains valid even in low signal-to-noise ratio environments typical for financial markets and is compatible with the weak factor framework. Our theoretical analysis establishes uniform bounds on expected estimation risk based on deep neural networks for an expanding number of assets. Additionally, we provide a new consistent data-dependent estimator of error covariance in deep neural networks. Our models demonstrate superior accuracy in extensive simulations and the empirical application.