A Hybrid Framework Combining Autoregression and Common Factors for Matrix Time Series
融合自回归与共同因子的矩阵时间序列框架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：摘要明确结合矩阵自回归与共同因子，并用于全球宏观经济预测。
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
融合自回归与共同因子的矩阵时间序列框架
- 研究问题
- 高维矩阵时间序列中，如何同时允许预测与响应子空间不同，并利用两者重叠实现降维，兼顾模型灵活性和简约性？
- 方法与思路
- 作者提出 MARCF，将系数矩阵分为共同、预测专属和响应专属成分，并以正则化梯度下降处理非凸高维估计。
- 材料陈述的贡献
- 摘要称证明算法局部线性收敛及高维尺度下估计一致性，并通过模拟和全球宏观预测应用展示效率与解释性。
- 阅读关注点
- 应核对子空间交集和各分量的可识别性、秩与正则化选择、局部收敛的初始化条件，以及预测比较的样本划分。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未给出维度增长、依赖和初始化条件，也未报告具体预测改进数值。
原文摘要
Matrix-valued time series are ubiquitous in modern economics and finance, yet modeling them requires navigating a trade-off between flexibility and parsimony. We propose the Matrix Autoregressive model with Common Factors (MARCF), a unified framework for high-dimensional matrix time series that bridges the structural gap between the Matrix Autoregression (MAR) and Matrix Factor Model (MFM). While MAR typically assumes distinct predictor and response subspaces and MFM enforces identical ones, MARCF explicitly characterizes the intersection of these subspaces. By decomposing the coefficient matrices into common, predictor-specific, and response-specific components, the framework accommodates distinct input and output structures while exploiting their overlap for dimension reduction. We develop a regularized gradient descent estimator that is scalable for high-dimensional data and can efficiently handle the non-convex parameter space. Theoretical analysis establishes local linear convergence of the algorithm and statistical consistency of the estimator under high-dimensional scaling. The estimation efficiency and interpretability of the proposed methods are demonstrated through simulations and an application to global macroeconomic forecasting.