Indirect estimation of large conditionally heteroskedastic factor models, with an application to the Dow 30 stocks
大型条件异方差因子模型的间接估计：道琼斯30只股票应用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：摘要研究条件异方差的共同与特异因子，并应用于股票周收益。
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…
大型条件异方差因子模型的间接估计：道琼斯30只股票应用
- 研究问题
- 当共同因子与特异因子的波动率依赖其过去未观测值时，如何估计大型条件异方差因子模型并评估小样本表现？
- 方法与思路
- 作者校准带辅助参数不等式约束的 Kalman 滤波近似得分，构造间接估计量，并提出大型模型的替代方案和蒙特卡洛比较。
- 材料陈述的贡献
- 摘要称提出了条件异方差因子模型及大型模型的间接估计方法，讨论向其他动态潜变量模型扩展，并应用于道琼斯30只股票周收益。
- 阅读关注点
- 应核对辅助模型约束、模拟与得分匹配步骤，以及大规模估计的计算负担，并检查各方法在模拟中的偏差和精度比较。
- 阅读边界
- 仅据所给出版社摘要，无法判断识别条件、近似误差或方法间的具体优劣；摘要虽提及广泛模拟，但未提供数值结果。
原文摘要
We derive indirect estimators of conditionally heteroskedastic factor models in which the volatilities of common and idiosyncratic factors depend on their past unobserved values by calibrating the score of a Kalman-filter approximation with inequality constraints on the auxiliary model parameters. We also propose alternative indirect estimators for large-scale models, and explain how to apply our procedures to many other dynamic latent variable models. We analyse the small sample behaviour of our indirect estimators and several likelihood-based procedures through an extensive Monte Carlo experiment with empirically realistic designs. Finally, we apply our procedures to weekly returns on the Dow 30 stocks.