Adaptive Testing for Alphas in High-Dimensional Factor Pricing Models
高维因子定价模型中 alpha 的自适应检验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：摘要明确检验高维线性多因子资产定价模型中的 alpha，以评估因子定价理论。
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
高维因子定价模型中 alpha 的自适应检验
- 研究问题
- 当资产数量较大且定价偏离可能只发生于少数资产时，如何检验线性多因子定价模型中的 alpha，提升对稀疏弱信号的检测能力？
- 方法与思路
- 作者构造侧重稀疏备择的检验程序，以高维高斯近似理论为依据，通过模拟逼近原假设下的极限分布并确定检验所需临界值。
- 材料陈述的贡献
- 摘要称数值研究中检验尺寸合理，相较已有检验在稀疏备择下具有明显功效提升，尤其能够改善对较弱定价偏离的检测。
- 阅读关注点
- 应核对 alpha 的定义、稀疏程度与信号强度要求，以及高斯近似的维数和样本量条件、模拟临界值及比较检验的设定。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；具体统计量、近似条件和功效数值未说明，不能将稀疏备择优势推广至所有备择或推断刊本变化。
原文摘要
This article proposes a new procedure to validate the multi-factor pricing theory by testing the presence of alpha in linear factor pricing models with a large number of assets. Because the market’s inefficient pricing is likely to occur to a small fraction of exceptional assets, we develop a testing procedure that is particularly powerful against sparse signals. Based on the high-dimensional Gaussian approximation theory, we propose a simulation-based approach to approximate the limiting null distribution of the test. Our numerical studies show that the new procedure can deliver a reasonable size and achieve substantial power improvement compared to the existing tests under sparse alternatives, and especially for weak signals.