A Nonlinear Target-Factor Model with Attention Mechanism for Mixed-Frequency Data
面向混频数据的注意力非线性目标因子模型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：摘要明确构建混频因子模型，并以美国宏观目标和 FRED 序列评价；未明确说明预测任务，故优先归入宏观因子模型。
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
面向混频数据的注意力非线性目标因子模型
- 研究问题
- 当面板变量具有不同采样频率且信号存在非线性时，如何用自适应信息聚合构造目标相关因子，并解释变量与滞后的作用？
- 方法与思路
- 作者以时序及横截面注意力扩展主成分分析，在线性激活下研究理论性质，再以 Transformer 架构处理非线性并评估表现。
- 材料陈述的贡献
- 摘要称，线性情形具有一致性与渐近正态性，跨面板迁移可增进效率；非线性模拟优于线性基准，宏观应用表现有竞争力。
- 阅读关注点
- 应核对混频聚合方式、理论对线性激活的限定、迁移学习条件、基准比较设置，以及平均注意力与变量重要性的解释关系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；线性理论不能自动推广到非线性架构，摘要未报告应用的具体性能。
原文摘要
We propose the Mixed-Panels-Transformer Encoder (MPTE), a framework for estimating factor models in panels with mixed frequencies and nonlinear signals. Classical factor models rely on linear signal extraction and homogeneous sampling frequencies, limiting their use when variables arrive at different frequencies. MPTE instead uses Transformer-style attention to construct context-aware signals, replacing fixed linear combinations with adaptive reweighting. We extend principal component analysis to accommodate general temporal and cross-sectional attention operators, so the model learns to aggregate information across frequencies without manual alignment. Under linear activations, we establish consistency and asymptotic normality of factor and loading estimators, show that the framework nests classical factor models as a special case, and obtain efficiency gains through transfer learning across auxiliary panels. A Transformer architecture handles the nonlinear case, which we assess through simulations and an empirical application. In simulations, MPTE outperforms linear benchmarks under nonlinear designs. On 13 quarterly U.S. macroeconomic targets drawn from 48 monthly and quarterly FRED series, it remains competitive with established benchmarks. By averaging learned attention across variables and time, we recover target-specific variable importance and lag relevance, and ablations quantify the contribution of each model component.