Sparse factor models of high dimension
高维稀疏因子模型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。
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：摘要明确研究高维稀疏因子载荷并应用于宏观数据预测，因此选择因子模型与预测方向；投资组合应用未说明定价机制。
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
高维稀疏因子模型
- 研究问题
- 因子载荷矩阵稀疏且参数维度增长时，如何同时估计因子模型并恢复真实零元素，同时容纳多种可能的稀疏模式？
- 方法与思路
- 作者将稀疏载荷估计写为惩罚 M 估计问题，并采用适应多种稀疏模式的载荷识别限制，研究参数维度增长下的性质。
- 材料陈述的贡献
- 摘要称，惩罚估计量具有估计一致性与真实零元素恢复性质，并通过有限样本模拟、投资组合配置和宏观预测评估方法。
- 阅读关注点
- 应核对载荷识别限制、惩罚形式与调参规则、维度及稀疏度增长条件，并区分零元素恢复与预测表现的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出惩罚函数和理论条件，也未量化应用表现，不能据此判断普遍优势。
原文摘要
We consider the estimation of a sparse factor model where the factor loading matrix is assumed sparse. The estimation problem is reformulated as a penalized M-estimation criterion, while the restrictions for identifying the factor loading matrix accommodate a wide range of sparsity patterns. We prove the sparsistency property of the penalized estimator when the number of parameters is diverging, that is the consistency of the estimator and the recovery of the true zeros entries. These theoretical results are illustrated by finite-sample simulation experiments, and the relevance of the proposed method is assessed by applications to portfolio allocation and macroeconomic data prediction.