A Unified Framework for Estimation of High-dimensional Conditional Factor Models
高维条件因子模型估计的统一框架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：摘要将条件因子模型用于美国个股收益横截面，并明确报告样本外预测表现。
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
高维条件因子模型估计的统一框架
- 研究问题
- 如何用统一方法估计多种高维条件潜在因子模型，减少模型专属方法的限制，并改善股票收益的样本外预测？
- 方法与思路
- 作者采用带约束的核范数正则化，提供计算算法与大样本分析，并提出交叉验证程序选择正则化参数。
- 材料陈述的贡献
- 摘要称该框架统一多类模型并得到新的渐近结果；美国个股收益分析显示，同质性约束和新方法改善了样本外预测。
- 阅读关注点
- 应核对约束与同质性的含义、模型覆盖范围、正则化选择和预测验证设计，以及与替代方法比较的公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明样本区间、预测指标或提升幅度，不能判断普遍优势。
原文摘要
This paper presents a general framework for estimating high-dimensional conditional latent factor models via constrained nuclear norm regularization. We establish large sample properties of the estimators and provide efficient algorithms for their computation. To improve practical applicability, we propose a cross-validation procedure for selecting the regularization parameter. Our framework unifies the estimation of various conditional factor models, enabling the derivation of new asymptotic results while addressing limitations of existing methods, which are often model-specific or restrictive. Empirical analyses of the cross section of individual US stock returns suggest that imposing homogeneity improves the model's out-of-sample predictability, with our new method outperforming existing alternatives.