Reviving pseudo-inverses: Asymptotic properties of large dimensional Moore-Penrose and Ridge-type inverses with applications
复兴伪逆：大维Moore-Penrose与岭型逆的渐近性质及应用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：摘要明确提到最优投资组合权重与精度矩阵收缩估计，属于资产定价与组合构建相关方向；其余细分领域在摘要中无直接文本依据。
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
复兴伪逆：大维Moore-Penrose与岭型逆的渐近性质及应用
- 研究问题
- 摘要称，本文研究样本协方差矩阵的Moore-Penrose伪逆及各类岭型逆在高维渐近框架下的性质，并给出广义逆矩阵加权样本迹矩的渐近解析表达。
- 方法与思路
- 作者提出用部分指数Bell多项式推导广义逆矩阵加权样本迹矩的渐近表达式；摘要称推导不假设总体协方差矩阵为单位阵倍数，也不使用正态性假设，并在高维渐近机制下展开。
- 材料陈述的贡献
- 摘要称结果在三个方向扩展了既有伪逆结论：放松总体协方差结构、去掉正态性、置于高维渐近框架；并称由此提供构造数据驱动收缩精度矩阵估计与最优投资组合权重的通用方法。
- 阅读关注点
- 应核对渐近机制的具体设定与正则条件、Bell多项式表达式的可计算性、收缩估计量的构造与调参方式，以及投资组合等应用中的比较基准与评价标准。
- 阅读边界
- 仅凭摘要无法判断推导细节、假设强度、模拟或实证设计及结论稳健性；摘要中“表现相当或更优”等说法未经独立验证。该文为arXiv预印本，未经同行评审确认。
原文摘要
In this paper, we derive high-dimensional asymptotic properties of the Moore-Penrose inverse and, as a byproduct, of various ridge-type inverses of the sample covariance matrix. In particular, the analytical expressions of the asymptotic behavior of the weighted sample trace moments of generalized inverse matrices are deduced in terms of the partial exponential Bell polynomials which can be easily computed in practice. The existent results for pseudo-inverses are extended in several directions: (i) First, the population covariance matrix is not assumed to be a multiple of the identity matrix; (ii) Second, the assumption of normality is not used in the derivation; (iii) Third, the asymptotic results are derived under the high-dimensional asymptotic regime. Our findings provide universal methodology for construction of fully data-driven improved shrinkage estimators of the precision matrix, optimal portfolio weights and beyond. It is found that the Moore-Penrose inverse acts asymptotically as a certain regularizer of the true covariance matrix and it seems that its proper transformation (shrinkage) performs similarly to or even outperforms the existing benchmarks in many applications, while keeping the computational time as minimal as possible.