Factor-Driven Network Informed Restricted Vector Autoregression
因子驱动、网络信息约束的向量自回归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：摘要明确以因子模型和网络 VAR 建模金融序列，并报告收益数据的预测表现，支持金融因子、时间序列与收益预测分类。
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…
因子驱动、网络信息约束的向量自回归
- 研究问题
- 高维金融序列同时存在共同市场因素和潜在资产联系时，如何联合刻画共同与特异动态，并改善相关序列的预测表现？
- 方法与思路
- 作者以静态因子模型描述共同成分，用潜在同配随机块网络约束特异成分 VAR；先由主成分分析估计因子，再估计网络 VAR。
- 材料陈述的贡献
- 摘要称，方法在日收益、日内收益及 FRED-MD 应用中，按预测和金融表现指标优于静态因子及因子加稀疏 VAR 两类基准。
- 阅读关注点
- 应核对因子与网络成分的可分辨性、潜在分组估计、两步误差影响，以及预测窗口、基准调参和金融表现指标的定义。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供理论条件、预测改进数值及评价细节，优势仅是所述应用中的报告。
原文摘要
High-dimensional financial time series often exhibit complex dependence relations driven by both common market structures and latent connections among assets. To capture these characteristics, this paper proposes Factor-Driven Network Informed Restricted Vector Autoregression (FNIRVAR), a model for the common and idiosyncratic components of high-dimensional time series with an underlying unobserved network structure. The common component is modelled by a static factor model, which allows for strong cross-sectional dependence, whilst a network vector autoregressive process captures the residual co-movements due to the idiosyncratic component. An assortative stochastic block model underlies the network VAR, leading to groups of highly co-moving variables in the idiosyncratic component. For estimation, a two-step procedure is proposed, whereby the static factors are estimated via principal component analysis, followed by estimation of the network VAR parameters. The method is demonstrated in financial applications to daily returns, intraday returns, and FRED-MD macroeconomic variables. In all cases, the proposed method outperforms a static factor model, as well as a static factor plus LASSO-estimated sparse VAR model, in terms of forecasting and financial performance metrics.