Group fused Lasso for large factor models with multiple structural breaks
大型因子模型多重结构突变的组融合 LASSO 方法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：摘要的核心对象是大型因子模型的载荷及多个结构突变日期，直接对应因子模型与结构变化两个方向。
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
大型因子模型多重结构突变的组融合 LASSO 方法
- 研究问题
- 大型因子模型的载荷存在多个未知结构突变时，如何识别突变日期，同时降低调参和计算负担并保持估计准确性？
- 方法与思路
- 作者将载荷突变识别转为因子回归的突变检测，把最大特征值对应的估计伪因子对其余因子回归，并使用组融合 LASSO。
- 材料陈述的贡献
- 摘要称，方法建立了估计量的理论性质并提供数据驱动调参，模拟与实际应用显示其实现速度和准确性具有实用优势。
- 阅读关注点
- 应核对载荷突变与伪因子回归突变的对应关系、突变数量和间距条件，以及数据驱动调参规则的理论与计算依据。
- 阅读边界
- 仅据所给出版社摘要，无法确定突变类型、因子强度、定位误差或比较基准；实现优势不能视为普遍性能保证。
原文摘要
This paper reformulates the identification of multiple structural breaks in factor loadings as a problem of detecting structural breaks in a factor regression, where the estimated pseudo factor corresponding to the largest eigenvalue is regressed on the remaining estimated factors. As a result, a group fused Lasso based estimation procedure is proposed to identify the break dates. Our procedure is practically easy-to-implement with standard statistical packages, overcoming the drawbacks of the existing methods that they often involve multiple tuning parameters and are computationally demanding in dealing with multiple unknown breaks. Theoretical properties of the proposed estimators are established, with a data driven choice of tuning parameter in the procedure. The Monte Carlo simulations and a real data application demonstrate that our procedure is fast implementable with desirable accuracy performance, and thus enjoys practical merits.