Estimation of characteristics-based quantile factor models
基于个体特征的分位数因子模型估计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。
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：摘要研究分位数因子与载荷函数，并应用于标普五百成分证券日收益面板。
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…
基于个体特征的分位数因子模型估计
- 研究问题
- 当分位数因子载荷是个体特征的未知函数时，如何估计因子和载荷、选择因子数量，并处理额外未观测特征？
- 方法与思路
- 作者提出三阶段估计，推导因子与载荷函数的收敛速度及极限分布，并结合分位数因子分析和筛回归处理未观测特征。
- 材料陈述的贡献
- 摘要称，文章给出各分位数因子数量的一致选择准则，讨论厚尾误差和较短时间维度，并以股票日收益应用说明性质。
- 阅读关注点
- 应核对因子与载荷的识别规范、条件分位数限制、各维度增长要求，以及未观测特征扩展与因子数选择的条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断厚尾及短时间维度结果的具体边界或收益应用的估计数值；不能推断刊本变化。
原文摘要
This paper studies the estimation of characteristics-based quantile factor models where the factor loadings are unknown functions of observed individual characteristics, and the idiosyncratic error terms are subject to conditional quantile restrictions. We propose a three-stage estimation procedure that is easy to implement and has nice properties. The convergence rates, the limiting distributions of the estimated factors and loading functions, plus a consistent selection criterion for the number of factors at each quantile are derived under general conditions. Our proposed estimators are shown to work satisfactorily when: (i) the idiosyncratic errors have heavy tails, (ii) the time dimension of the panel dataset is not large, and (iii) the number of factors differs from the number of characteristics. Further, a consistent estimation method based on quantile factor analysis and sieve regression is proposed when the factor loadings depend on additional unobserved characteristics. Monte Carlo simulations and an empirical application aimed at estimating the loading functions of the daily returns of a large panel of S&P 500 index securities help illustrate these properties.