A New Parametrization of Correlation Matrices
相关矩阵的一种新参数化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：摘要讨论通用相关矩阵参数化与数值算法，未指向因子模型、波动率或其他给定经济金融细分方向的具体应用。
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…
关注这篇论文的作者
相关矩阵的一种新参数化
- 研究问题
- 如何用无约束实向量表示相关矩阵，同时保证正定性与重建的唯一性？研究关注高维相关及协方差矩阵建模中的参数约束。
- 方法与思路
- 作者提出可视为高维 Fisher Z 变换推广的参数化，以无约束实向量表示正定相关矩阵，提供唯一重建算法并推导数值复杂度。
- 材料陈述的贡献
- 摘要称该表示天然保证正定性，将相关矩阵建模转为无约束向量建模，并给出从任意相应维度实向量唯一重建相关矩阵的算法。
- 阅读关注点
- 重点核对映射的定义域与唯一性证明、接近正定边界时的处理、重建算法的计算复杂度，以及向协方差矩阵建模扩展的方式。
- 阅读边界
- 摘要未给出参数化公式、算法复杂度的具体阶数或应用比较；潜在适用范围属于作者陈述，实际数值表现仍需全文证据。
原文摘要
We introduce a novel parametrization of the correlation matrix. The reparametrization facilitates modeling of correlation and covariance matrices by an unrestricted vector, where positive definiteness is an innate property. This parametrization can be viewed as a generalization of Fisher's Z ‐transformation to higher dimensions and has a wide range of potential applications. An algorithm for reconstructing the unique n × n correlation matrix from any vector in R n ( n − 1 ) / 2 is provided, and we derive its numerical complexity.