Latent factor analysis in short panels
短面板中的潜在因子分析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：摘要明确结合短面板潜在因子分析、股票收益因子分解和系统性及特质波动，支持这三个方向。
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…
短面板中的潜在因子分析
- 研究问题
- 短面板中不施加球形性或高斯性时，如何估计潜在因子并检验因子数量，以及区分股票收益的系统性与特质风险？
- 方法与思路
- 作者构造伪最大似然方法，推导因子数量的渐近一致最强不变检验，并在美国月度股票收益的牛熊市短区间中应用。
- 材料陈述的贡献
- 摘要称，方法无需球形性或高斯性；应用显示总波动和特质波动上升，熊市系统性风险占比较大且无法由单一因子解释。
- 阅读关注点
- 应核对短面板的渐近框架、剩余误差结构限制、检验最优性的适用类，以及风险分解和观测因子比较的实施方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文或其他版本；检验成立条件、样本区间及风险占比数值未说明，应用结论不能普遍外推。
原文摘要
We develop a pseudo maximum likelihood method for latent factor analysis in short panels without imposing sphericity nor Gaussianity. We derive an asymptotically uniformly most powerful invariant test for the number of factors. On a large panel of monthly U.S. stock returns, we separate month after month systematic and idiosyncratic risks in short subperiods of bear vs. bull market. We observe an uptrend in the paths of total and idiosyncratic volatilities. The systematic risk explains a large part of the cross-sectional total variance in bear markets but is not driven by a single factor and not spanned by observed factors.