Robust Covariance Estimation for Approximate Factor Models
近似因子模型的稳健协方差估计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：摘要提供通用因子模型下的协方差估计理论，未明确宏观或金融应用，不能仅凭因子与尾部措辞指定经济领域。
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
近似因子模型的稳健协方差估计
- 研究问题
- 在因子可观测且数据可能具有较重尾部的近似因子模型中，如何稳健估计观测变量的协方差矩阵并保持良好误差率？
- 方法与思路
- 作者先估计数据与因子的联合协方差，再恢复目标协方差；在四阶矩有界情形下，用 Huber 损失构造初始估计。
- 材料陈述的贡献
- 摘要称初始估计达到逐元素最优速率时可传递所需性质，并给出调节参数发散的 Huber 估计渐近结果及数值验证。
- 阅读关注点
- 全文应核对初始估计误差如何传递、目标矩阵性质的具体含义，以及四阶矩条件和 Huber 参数选择的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明完整结构条件、具体误差界及实证数据背景。
原文摘要
In this paper, we study robust covariance estimation under the approximate factor model with observed factors. We propose a novel framework to first estimate the initial joint covariance matrix of the observed data and the factors, and then use it to recover the covariance matrix of the observed data. We prove that once the initial matrix estimator is good enough to maintain the element-wise optimal rate, the whole procedure will generate an estimated covariance with desired properties. For data with only bounded fourth moments, we propose to use Huber loss minimization to give the initial joint covariance estimation. This approach is applicable to a much wider range of distributions, including sub-Gaussian and elliptical distributions. We also present an asymptotic result for Huber's M-estimator with a diverging parameter. The conclusions are demonstrated by extensive simulations and real data analysis.