The mosaic permutation test: an exact and nonparametric goodness-of-fit test for factor models
马赛克置换检验：因子模型的精确非参数拟合优度检验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。
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：摘要直接检验资产收益因子模型及控制因子暴露后的残差依赖。
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…
马赛克置换检验：因子模型的精确非参数拟合优度检验
- 研究问题
- 在已知资产因子暴露得到控制后，收益残差是否仍存在依赖，如何检验既有金融因子模型的拟合并控制错误拒绝概率？
- 方法与思路
- 作者提出马赛克置换检验，以非参数方式评估因子模型，可结合机器学习检测模型违反，并主张无需渐近近似即可控制假阳性率。
- 材料陈述的贡献
- 摘要称，应用于 BFRE 模型时发现部分房地产股票存在未解释相关，加入新因子可改善拟合，并提供 Python 包 mosaicperm。
- 阅读关注点
- 应核对置换有效性的假设、残差独立性的检验目标、机器学习统计量的构造，以及添加因子后的拟合改善如何验证。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；非参数和精确控制不代表无任何假设，摘要未说明置换有效性的具体条件。
原文摘要
Financial firms often rely on fundamental factor models to explain correlations among asset returns and manage risk. Yet after major events, e.g., COVID-19, analysts may reassess whether existing risk models continue to fit well: specifically, after accounting for a set of known factor exposures, are the residuals of the asset returns independent? With this motivation, we introduce the mosaic permutation test, a nonparametric goodness-of-fit test for preexisting factor models. Our method can leverage modern machine learning techniques to detect model violations while provably controlling the false positive rate, i.e., the probability of rejecting a well-fitting model, without making asymptotic approximations or parametric assumptions. This property helps prevent analysts from unnecessarily rebuilding accurate models, which can waste resources and increase risk. To illustrate our methodology, we apply the mosaic permutation test to the BlackRock Fundamental Equity Risk (BFRE) model. Although the BFRE model generally explains the most significant correlations among assets, we find evidence of unexplained correlations among certain real estate stocks, and we show that adding new factors improves model fit. We implement our methods in the python package mosaicperm.