Multiple Testing under High-dimensional Dynamic Factor Model
高维动态因子模型下的多重检验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：摘要明确研究动态因子与序列依赖，并结合 Fama–MacBeth 回归开展对冲基金筛选。
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
高维动态因子模型下的多重检验
- 研究问题
- 在高维数据具有序列相关甚至非线性时间依赖时，如何开展大规模多重检验，并避免静态因子设定损害错误率控制？
- 方法与思路
- 作者结合按时间顺序的样本分割和两阶段 Fama–MacBeth 回归，构造具有边际对称性的统计量，再据此选择数据驱动阈值。
- 材料陈述的贡献
- 摘要称，程序可在高维动态因子模型下渐近控制错误发现率，并建立新的指数型偏差不等式，附有对冲基金筛选案例。
- 阅读关注点
- 应核对动态因子与非线性依赖的允许范围、样本分割如何支持对称性，以及错误发现率控制所需的维度和信号条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未列出渐近控制的具体条件，数值比较也不能证明普遍优势。
原文摘要
Large-scale multiple testing under static factor models is widely used to detect sparse signals in high-dimensional data. However, static factor models are arguably too stringent because they ignore serial correlation, which seriously distorts error rate control in large-scale inference. In this manuscript, we propose a new multiple testing procedure under dynamic factor models that is robust to nonlinear serial dependence. The idea is to integrate a new sample-splitting strategy based on chronological order and a two-pass Fama--Macbeth regression to form a series of test statistics with marginal symmetry properties and then to use these properties to obtain a data-driven threshold. We show that our procedure can control the false discovery rate asymptotically under high-dimensional dynamic factor models. {As a byproduct of independent interest, we establish a new exponential-type deviation inequality for the sum of random variables over various functionals of linear and nonlinear processes.} Our numerical results, including a case study on hedge fund selection, demonstrate the advantage of our proposed method over several state-of-the-art methods.