Long Memory Factor Model: On Estimation of Factor Memories
长记忆因子模型：因子记忆参数的估计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：摘要研究分数单整过程的长记忆与因子记忆估计，并应用于金融机构的对数平方收益序列，故归入时间序列和金融因子方向。
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
长记忆因子模型：因子记忆参数的估计
- 研究问题
- 在近似因子模型中，当共同因子与特异误差均可能是非平稳分数单整过程时，如何估计潜在因子的单整阶数与记忆程度？
- 方法与思路
- 作者提出两阶段方法估计因子的记忆参数，在允许共同因子及特异误差具有分数单整性质的框架下，研究估计量的渐近性质。
- 材料陈述的贡献
- 摘要称估计量具有一致性和渐近正态性；美国金融机构对数平方收益应用发现因子长记忆，并报告其在2007年后持久性更高。
- 阅读关注点
- 核对两阶段的具体操作、因子与特异误差的单整阶数限制、维度和样本量条件，以及2007年前后持久性比较的检验依据。
- 阅读边界
- 摘要未说明分数单整的参数范围、两阶段实现细节或时期比较的不确定性，不能据此断定存在结构突变或解释其成因。
原文摘要
This article considers the estimation of the integration orders of the latent factors in an approximate factor model. Both the common factors and idiosyncratic error terms are potentially nonstationary fractionally integrated processes. We propose a two-stage approach to estimate the factor memories. We show the consistency and asymptotic normality of the proposed estimator. Applying the estimator to the log-squared returns of the U.S. financial institutions, we find evidence of long memory in the estimated factor. We also find that the factor becomes more persistent after 2007.