Robust mutual fund selection with false discovery rate control
控制错误发现率的稳健共同基金筛选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：摘要明确以线性因子定价模型分析共同基金，并处理可观测及潜在因子。
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…
控制错误发现率的稳健共同基金筛选
- 研究问题
- 在大量共同基金及因子相关性存在的环境中，如何通过多重检验识别表现较好的基金，并处理误差分布和潜在因子影响？
- 方法与思路
- 作者在可观测因子模型下提出空间符号 SS-BH 程序；存在潜在因子时，先用椭圆主成分法提取，再构造 FSS-BH。
- 材料陈述的贡献
- 摘要提出两类基金筛选程序，并称因子调整版本在模拟中对协方差结构与误差分布变化稳健，实证应用也支持其表现。
- 阅读关注点
- 应核对基金表现的检验对象、错误发现率控制条件、特异性误差弱相关的定义，以及因子提取误差如何进入检验理论。
- 阅读边界
- 仅据所给 RePEc 出版社摘要版本，错误发现率保证、比较基准和优势幅度未详述，不能将筛选结论视为未来收益保证。
原文摘要
In this article, we address the challenge of identifying well-performing mutual funds among a large pool of candidates, utilizing the linear factor pricing model. Assuming observable factors with a weak correlation structure for the idiosyncratic error, we propose a spatial-sign based multiple testing procedure (SS-BH). When latent factors are present, we first extract them using the elliptical principle component method (He et al. 2022) and then propose a factor-adjusted spatial-sign based multiple testing procedure (FSS-BH). Simulation studies demonstrate that our proposed FSS-BH procedure performs exceptionally well across various applications and exhibits robustness to variations in the covariance structure and the distribution of the error term. Additionally, a real data application further highlights the superiority of the FSS-BH procedure.