Panel Coupled Matrix-Tensor Clustering Model with Applications to Asset Pricing
用于资产定价的面板耦合矩阵—张量聚类模型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：摘要明确以资产定价中的潜在资产分组和因子载荷估计为研究对象。
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…
用于资产定价的面板耦合矩阵—张量聚类模型
- 研究问题
- 在资产收益数据稀疏且噪声较强时，如何联合资产特征与收益信息，识别潜在资产分组并提高因子载荷估计准确度？
- 方法与思路
- 作者提出 PMTC 模型，耦合资产特征张量和收益矩阵识别潜在分组，并设计张量聚类算法用于分组与载荷估计。
- 材料陈述的贡献
- 摘要称模拟中联合数据方法改善聚类和系数估计，美国股票应用获得更高样本外总 R²，并呈现可解释的因子暴露差异。
- 阅读关注点
- 应核对两类数据的耦合假设、分组与载荷的识别方式，以及模拟比较的公平性、样本外划分和总 R² 的定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供具体误差界、收益数据范围或改进幅度，优势适用边界尚不明确。
原文摘要
We tackle the challenge of estimating grouping structures and factor loadings in asset pricing models, where traditional regressions struggle due to sparse data and high noise. Existing approaches, such as those using fused penalties and multi-task learning, often enforce coefficient homogeneity across cross-sectional units, reducing flexibility. Clustering methods (e.g., spectral clustering, Lloyd's algorithm) achieve consistent recovery under specific conditions but typically rely on a single data source. To address these limitations, we introduce the Panel Coupled Matrix-Tensor Clustering (PMTC) model, which simultaneously leverages a characteristics tensor and a return matrix to identify latent asset groups. By integrating these data sources, we develop computationally efficient tensor clustering algorithms that enhance both clustering accuracy and factor loading estimation. Simulations demonstrate that our methods outperform single-source alternatives in clustering accuracy and coefficient estimation, particularly under moderate signal-to-noise conditions. Empirical application to U.S. equities demonstrates the practical value of PMTC, yielding higher out-of-sample total $R^2$ and economically interpretable variation in factor exposures.