Positive-Definite ℓ 1 -Penalized Estimation of Large Covariance Matrices
大型协方差矩阵的正定 ℓ1 惩罚估计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：摘要仅给出通用稀疏协方差估计理论，未说明金融因子、资产定价或其他所列细分的具体研究对象。
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
大型协方差矩阵的正定 ℓ1 惩罚估计
- 研究问题
- 稀疏大型协方差矩阵的阈值估计可能出现负特征值，如何在保持稀疏估计目标的同时确保协方差估计正定？
- 方法与思路
- 作者提出正定的 ℓ1 惩罚协方差估计，设计交替方向算法求解相应优化问题，并分析算法收敛和非渐近统计性质。
- 材料陈述的贡献
- 摘要称，该方法处理阈值估计可能不正定的问题，建立算法收敛与非渐近理论，并用模拟和真实应用展示有限样本表现。
- 阅读关注点
- 应核对正定约束的实现方式、惩罚参数选择、统计误差界依赖的条件，以及算法停止准则和有限样本比较的设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；弱正则条件、误差界形式与应用数据细节均未说明。
原文摘要
The thresholding covariance estimator has nice asymptotic properties for estimating sparse large covariance matrices, but it often has negative eigenvalues when used in real data analysis. To fix this drawback of thresholding estimation, we develop a positive-definite ℓ1-penalized covariance estimator for estimating sparse large covariance matrices. We derive an efficient alternating direction method to solve the challenging optimization problem and establish its convergence properties. Under weak regularity conditions, nonasymptotic statistical theory is also established for the proposed estimator. The competitive finite-sample performance of our proposal is demonstrated by both simulation and real applications.