Multi Anchor Point Shrinkage for the Sample Covariance Matrix (Extended Version)
样本协方差矩阵的多锚点收缩：扩展版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：摘要以高维金融收益的单因子市场模型和贝塔估计为核心，最直接对应金融因子，而未明确研究尾部风险或收益预测。
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
样本协方差矩阵的多锚点收缩：扩展版
- 研究问题
- 在高维收益向量与有限样本下，如何利用行业划分或历史估计等额外信息，改善单因子模型中的主特征向量及最小方差组合估计？
- 方法与思路
- 作者扩展将样本主特征向量向固定目标收缩的 GPS 方法，建立更一般的多锚点收缩目标框架，并用理论结果和数值实验分析。
- 材料陈述的贡献
- 摘要称，该框架可纳入股票贝塔的行业差异与既有估计信息，并提供若干精确理论陈述及相对 GPS 方法改进的数值示例。
- 阅读关注点
- 应核对高维有限样本渐近设定、锚点信息如何获得、理论改进所针对的损失函数，以及特征向量误差如何传递至组合表现。
- 阅读边界
- 这是题名标注的扩展版 arXiv 预印本，同行评审及接收未核实；摘要未说明版本差异、定理条件或改进的具体幅度。
原文摘要
Portfolio managers faced with limited sample sizes must use factor models to estimate the covariance matrix of a high-dimensional returns vector. For the simplest one-factor market model, success rests on the quality of the estimated leading eigenvector "beta". When only the returns themselves are observed, the practitioner has available the "PCA" estimate equal to the leading eigenvector of the sample covariance matrix. This estimator performs poorly in various ways. To address this problem in the high-dimension, limited sample size asymptotic regime and in the context of estimating the minimum variance portfolio, Goldberg, Papanicolau, and Shkolnik developed a shrinkage method (the "GPS estimator") that improves the PCA estimator of beta by shrinking it toward a constant target unit vector. In this paper we continue their work to develop a more general framework of shrinkage targets that allows the practitioner to make use of further information to improve the estimator. Examples include sector separation of stock betas, and recent information from prior estimates. We prove some precise statements and illustrate the resulting improvements over the GPS estimator with some numerical experiments.