High Dimensional Covariance Matrix Estimation Using a Factor Model
利用因子模型估计高维协方差矩阵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：摘要明确以套利定价理论为动机，使用可观测多因子模型估计协方差矩阵。
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
利用因子模型估计高维协方差矩阵
- 研究问题
- 当变量维度随样本量增长、可观测因子数也可增加时，因子模型协方差估计何时优于样本协方差，并如何影响组合配置？
- 方法与思路
- 作者借鉴套利定价理论，以可观测多因子模型降维，研究变量维度和因子数对收敛速度、渐近分布及协方差估计表现的影响。
- 材料陈述的贡献
- 摘要称，建立模型估计量的收敛速度与渐近正态性，区分因子方法显著或有限改进的情形，并研究组合配置和风险管理影响。
- 阅读关注点
- 应核对因子与误差的条件、维度和因子数的增长速度、协方差误差的衡量方式，以及这些误差如何传递到组合配置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出所谓温和假设和比较细节，不能认为因子估计始终更好。
原文摘要
High dimensionality comparable to sample size is common in many statistical problems. We examine covariance matrix estimation in the asymptotic framework that the dimensionality $p$ tends to $\infty$ as the sample size $n$ increases. Motivated by the Arbitrage Pricing Theory in finance, a multi-factor model is employed to reduce dimensionality and to estimate the covariance matrix. The factors are observable and the number of factors $K$ is allowed to grow with $p$. We investigate impact of $p$ and $K$ on the performance of the model-based covariance matrix estimator. Under mild assumptions, we have established convergence rates and asymptotic normality of the model-based estimator. Its performance is compared with that of the sample covariance matrix. We identify situations under which the factor approach increases performance substantially or marginally. The impacts of covariance matrix estimation on portfolio allocation and risk management are studied. The asymptotic results are supported by a thorough simulation study.