Feasible Weighted Projected Principal Component Analysis for Factor Models with an Application to Bond Risk Premia
因子模型的可行加权投影主成分分析及债券风险溢价应用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：摘要以潜在因子的加权投影估计为方法核心，并明确预测债券超额收益，分别对应因子模型与收益预测方向。
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
因子模型的可行加权投影主成分分析及债券风险溢价应用
- 研究问题
- 当可观测特征部分解释潜在因子且误差存在异方差与截面相关时，如何改善因子估计，并用于预测债券超额收益？
- 方法与思路
- 作者以一致估计的误差协方差逆矩阵加权，并利用可观测特征进行投影去噪，形成可行加权投影主成分法及扩散指数预测模型。
- 材料陈述的贡献
- 摘要称因子与载荷估计具有更快收敛率，并推导参数极限分布和预测误差收敛率；美国债券应用报告优于传统主成分预测模型。
- 阅读关注点
- 应核对特征解释潜在因子的设定、权重矩阵可行估计条件与收敛率比较，并查看债券收益预测的样本划分、评价指标和模型调参。
- 阅读边界
- 所给版本为 arXiv 预印本，未核实同行评审或接收；摘要未列理论条件、预测数值和比较细节，不能据此认定对所有因子模型均有优势。
原文摘要
I develop a feasible weighted projected principal component (FPPC) analysis for factor models in which observable characteristics partially explain the latent factors. This novel method provides more efficient and accurate estimators than existing methods. To increase estimation efficiency, I take into account both cross-sectional dependence and heteroskedasticity by using a consistent estimator of the inverse error covariance matrix as the weight matrix. To improve accuracy, I employ a projection approach using characteristics because it removes noise components in high-dimensional factor analysis. By using the FPPC method, estimators of the factors and loadings have faster rates of convergence than those of the conventional factor analysis. Moreover, I propose an FPPC-based diffusion index forecasting model. The limiting distribution of the parameter estimates and the rate of convergence for forecast errors are obtained. Using U.S. bond market and macroeconomic data, I demonstrate that the proposed model outperforms models based on conventional principal component estimators. I also show that the proposed model performs well among a large group of machine learning techniques in forecasting excess bond returns.