Factor-guided estimation of large covariance matrix function with conditional functional sparsity
条件函数型稀疏性下的大型协方差矩阵函数因子引导估计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：摘要直接研究函数型时间序列中的共同因子结构、因子识别与协方差估计，对应因子模型。
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
条件函数型稀疏性下的大型协方差矩阵函数因子引导估计
- 研究问题
- 高维函数型数据或函数型时间序列同时含共同因子与稀疏特有误差时，如何识别并估计协方差矩阵函数及选择模型？
- 方法与思路
- 作者设定两类函数型因子结构，借助尖峰矩阵及其函数型推广进行特征分析，再对残差协方差实施自适应函数型阈值化。
- 材料陈述的贡献
- 摘要称提出 DIGIT 与 FPOET 估计量，建立渐近识别、收敛率及模型选择保证，并通过模拟和函数型投资组合配置考察表现。
- 阅读关注点
- 核对两类因子结构的区别、渐近识别所需条件、特有误差稀疏性的定义，以及阈值选择、信息准则和投资组合应用的评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未列出收敛率表达式、维数增长限制或投资组合表现的具体数值。
原文摘要
This paper addresses the fundamental task of estimating covariance matrix functions for high-dimensional functional data/functional time series. We consider two functional factor structures encompassing either functional factors with scalar loadings or scalar factors with functional loadings, and postulate functional sparsity on the covariance of idiosyncratic errors after taking out the common unobserved factors. To facilitate estimation, we rely on the spiked matrix model and its functional generalization, and derive some novel asymptotic identifiability results, based on which we develop DIGIT and FPOET estimators under two functional factor models, respectively. Both estimators involve performing associated eigenanalysis to estimate the covariance of common components, followed by adaptive functional thresholding applied to the residual covariance. We also develop functional information criteria for model selection with theoretical guarantees. The convergence rates of involved estimated quantities are respectively established for DIGIT and FPOET estimators. Numerical studies including extensive simulations and a real data application on functional portfolio allocation are conducted to examine the finite-sample performance of the proposed methodology.