Robust covariance estimation for approximate factor models
近似因子模型的稳健协方差估计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：摘要讨论通用近似因子模型与稳健协方差理论，未明确宏观或金融场景，不据因子一词强行分类。
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
近似因子模型的稳健协方差估计
- 研究问题
- 在因子可观测的近似因子模型中，如何对仅有有界四阶矩、可能超出次高斯和椭圆分布范围的数据稳健估计协方差？
- 方法与思路
- 作者先估计观测数据与因子的联合协方差，再恢复数据协方差；在有界四阶矩下，以自适应Huber损失构造初始估计。
- 材料陈述的贡献
- 摘要称初始估计达到逐元素最优速率即可保证后续估计的目标性质，并给出参数发散的自适应Huber估计量渐近结果。
- 阅读关注点
- 应核对初始矩阵精度如何传递至最终估计、可观测因子的要求、Huber调参规则，以及所谓目标性质的具体范数与条件。
- 阅读边界
- 仅据所给出版社摘要，无法确定真实数据应用的领域或重尾适用边界；摘要未说明完整依赖条件、具体速率和模拟数值。
原文摘要
In this paper, we study robust covariance estimation under the approximate factor model with observed factors. We propose a novel framework to first estimate the initial joint covariance matrix of the observed data and the factors, and then use it to recover the covariance matrix of the observed data. We prove that once the initial matrix estimator is good enough to maintain the element-wise optimal rate, the whole procedure will generate an estimated covariance with desired properties. For data with bounded fourth moments, we propose to use adaptive Huber loss minimization to give the initial joint covariance estimation. This approach is applicable to a much wider class of distributions, beyond sub-Gaussian and elliptical distributions. We also present an asymptotic result for adaptive Huber’s M-estimator with a diverging parameter. The conclusions are demonstrated by extensive simulations and real data analysis.