An EM Algorithm for Conditionally Heteroscedastic Factor Models
条件异方差因子模型的EM算法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：摘要明确建模股票收益的共同因子及其动态条件异方差，直接对应金融因子模型和波动率建模两个方向。
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
条件异方差因子模型的EM算法
- 研究问题
- 对于共同因子具有动态条件异方差的因子模型，如何降低多序列估计的计算负担，并处理优化后期收敛变慢的问题？
- 方法与思路
- 作者将EM算法用于共同因子存在动态异方差的因子模型，以股票收益应用评估计算表现；接近最优点时建议切换至一阶导数方法。
- 材料陈述的贡献
- 摘要称，EM算法在11及266个股票收益序列的应用中显著提速，无需预先计算良好初值，但接近最优点时明显变慢。
- 阅读关注点
- 应核对条件异方差因子的具体设定、EM各步的计算方式，以及初值处理、方法切换准则和速度比较采用的基准。
- 阅读边界
- 摘要未说明提速幅度、收敛条件或估计精度；经验应用中的初值便利性不能证明任意设定下均能找到全局最优解。
原文摘要
This article discusses the application of the EM algorithm to factor models with dynamic heteroscedasticity in the common factors. It demonstrates that the EM algorithm reduces the computational burden so much that researchers can estimate such models with many series. Two empirical applications with 11 and 266 stock returns are presented, confirming that the EM algorithm yields significant speed gains and that it makes unnecessary the computation of good initial values. Near the optimum, however, it slows down significantly. Then, the best practical strategy is to switch to a first-derivative-based method.