Estimation of latent factors for high-dimensional time series
高维时间序列潜在因子的估计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：摘要直接提出高维时间序列因子估计，并以隐含波动率数据作为金融应用。
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…
高维时间序列潜在因子的估计
- 研究问题
- 当时间序列维度与观测长度相当甚至更大时，如何估计低维潜在因子及其载荷，因子强度又如何影响估计的一致性和收敛速度？
- 方法与思路
- 作者通过一个非负定矩阵的特征分析估计因子载荷与因子过程，分别讨论强因子和非强因子情形，并以模拟和隐含波动率数据示例说明。
- 材料陈述的贡献
- 摘要称，强因子条件下载荷估计具有弱一致性且收敛速度不依赖维度；同时建立非强因子的渐近性质，并报告隐含波动率应用。
- 阅读关注点
- 应核对用于特征分析的矩阵构造、因子强度和序列依赖条件，确认载荷识别方式与范数定义，并检查隐含波动率应用的评价设计。
- 阅读边界
- 仅依据稿件版本未注明的OpenAlex索引摘要。因子强度公式的指数排版需查原PDF；摘要未报告应用数值，不能推断交易策略表现。
原文摘要
This paper deals with the dimension reduction of high-dimensional time series based on a lower-dimensional factor process. In particular, we allow the dimension of time series N to be as large as, or even larger than, the length of observed time series T. The estimation of the factor loading matrix and the factor process itself is carried out via an eigenanalysis of a N×N non-negative definite matrix. We show that when all the factors are strong in the sense that the norm of each column in the factor loading matrix is of the order N1/2, the estimator of the factor loading matrix is weakly consistent in L2-norm with the convergence rate independent of N. Thus the curse is cancelled out by the blessing of dimensionality. We also establish the asymptotic properties of the estimators when factors are not strong. The proposed method together with the asymptotic properties are illustrated in a simulation study. An application to an implied volatility data set, with a trading strategy derived from the fitted factor model, is also reported.