Forward adaptive banding for estimating large covariance matrices
大维协方差矩阵估计的前向自适应带状化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：摘要研究通用高维协方差估计，未指明金融因子、波动率或宏观时间序列应用。
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…
大维协方差矩阵估计的前向自适应带状化
- 研究问题
- 如何利用自适应带状结构高效估计大维协方差矩阵，并通过信息准则在预先指定的候选模型中实现一致选择？
- 方法与思路
- 作者基于修正 Cholesky 分解提出前向自适应带状化方法，拟合预先规定的一组模型，并构造新的贝叶斯信息准则。
- 材料陈述的贡献
- 摘要称，方法易于高效实现，新信息准则能实现高维协方差模型的一致选择，模拟比较显示其表现有利于若干竞争方法。
- 阅读关注点
- 应核对变量排序与带状结构的关系、候选模型集合如何构造，以及信息准则一致性需要的维度增长和结构条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。模型选择条件、计算复杂度和模拟差异未说明，不能断言普遍优于竞争方法。
原文摘要
We propose a simple forward adaptive banding method for estimating large covariance matrices using the modified Cholesky decomposition. This approach requires the fitting of a prespecified set of models due to the adaptive banding structure and can be efficiently implemented. Aside from its computational attractiveness, we propose a novel Bayes information criterion that gives consistent model selection for estimating high dimensional covariance matrices. The method compares favourably to its competitors in simulation study.