Large Covariance Estimation by Thresholding Principal Orthogonal Complements
通过主正交补阈值化估计大型协方差矩阵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：摘要以潜在因子分解估计协方差，并明确将方法用于投资组合配置。
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…
通过主正交补阈值化估计大型协方差矩阵
- 研究问题
- 当共同潜在因子产生强相关，而剔除因子后的误差协方差具有稀疏结构时，如何估计高维协方差并控制因子估计误差？
- 方法与思路
- 作者提出 POET 方法，在近似因子模型中结合主成分提取与残差协方差阈值化，研究不同范数下的收敛及因子载荷估计。
- 材料陈述的贡献
- 摘要称该估计量涵盖多种既有协方差估计方法，给出协方差、因子与载荷的收敛结果，并展示模拟与投资组合配置应用。
- 阅读关注点
- 应核对因子特征值增长、残差稀疏程度、因子数量和阈值选择，以及因子估计影响随维数消失所需的样本规模条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收；摘要未说明具体收敛速率、组合约束及投资配置应用的数值表现。
原文摘要
This paper deals with the estimation of a high-dimensional covariance with a conditional sparsity structure and fast-diverging eigenvalues. By assuming sparse error covariance matrix in an approximate factor model, we allow for the presence of some cross-sectional correlation even after taking out common but unobservable factors. We introduce the Principal Orthogonal complEment Thresholding (POET) method to explore such an approximate factor structure with sparsity. The POET estimator includes the sample covariance matrix, the factor-based covariance matrix (Fan, Fan, and Lv, 2008), the thresholding estimator (Bickel and Levina, 2008) and the adaptive thresholding estimator (Cai and Liu, 2011) as specific examples. We provide mathematical insights when the factor analysis is approximately the same as the principal component analysis for high-dimensional data. The rates of convergence of the sparse residual covariance matrix and the conditional sparse covariance matrix are studied under various norms. It is shown that the impact of estimating the unknown factors vanishes as the dimensionality increases. The uniform rates of convergence for the unobserved factors and their factor loadings are derived. The asymptotic results are also verified by extensive simulation studies. Finally, a real data application on portfolio allocation is presented.