Bayesian Estimation of the Eigenstructure in High-Dimensional Approximate Factor Models
高维近似因子模型中特征结构的贝叶斯估计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：摘要直接研究近似因子模型，并以宏观金融数据开展预测练习，因而选择因子模型与预测两个最明确的方向。
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
高维近似因子模型中特征结构的贝叶斯估计
- 研究问题
- 当变量数量相对样本量很大、样本协方差的特征结构失真时，如何更稳定地估计经济数据中的潜在因子结构？
- 方法与思路
- 作者为高维近似因子结构建立贝叶斯模型，研究后验收敛速度，并通过模拟和宏观金融数据应用考察因子恢复与预测表现。
- 材料陈述的贡献
- 摘要称后验收敛率与高维尖峰协方差模型的基准结果同阶，模拟中的因子恢复更准确，宏观金融预测表现具有竞争力。
- 阅读关注点
- 应核对先验设定、因子强度与维度增长条件，以及特征向量识别方式；预测部分需检查比较方法、预测窗口和评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出收敛率的具体条件，也未量化预测收益或说明各基准设定。
原文摘要
High-dimensional economic datasets often display strong co-movement driven by a small number of latent factors, which are typically modeled using approximate factor models. When the number of variables is large relative to the sample size, the eigenvalues and eigenvectors of the sample covariance matrix are severely distorted, which in turn makes principal component based estimators of the factor structure unstable. To address the high-dimensional problem, we propose a Bayesian model for approximate factor structures. We show that the posterior convergence rate is of the same order as benchmark results for high-dimensional spiked covariance models. Simulation studies show that the proposed method more accurately recovers the factor structure in approximate factor models than existing methods. Real data analyses on macro--financial datasets illustrate that the proposed method provides interpretable estimates of latent factor structure and performs competitively in forecasting exercises.