Probabilistic Quantile Factor Analysis
概率分位数因子分析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。
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：摘要明确提取宏观不确定性及金融条件因子、预测经济活动，并分析大量金融序列，支持这三个细分方向。
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…
概率分位数因子分析
- 研究问题
- 如何将分位数因子分析扩展为带正则化的概率模型，并用不同分位层面的不确定性与金融条件因子预测经济活动？
- 方法与思路
- 作者构造概率分位数因子模型，使用正则化和高效变分近似，并在合成、真实及约千条日度金融序列上开展实验。
- 材料陈述的贡献
- 摘要称估计精度在多种情形下优于所比较方法，并构建不同水平的政策不确定性与金融条件指数，报告样本外预测优势。
- 阅读关注点
- 应核对概率模型、正则化与变分近似设定，以及因子识别、预测目标、样本外划分和比较方法是否一致。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未提供误差、显著性或预测期限，不能判断优势的规模与稳定性。
原文摘要
This paper extends quantile factor analysis to a probabilistic variant that incorporates regularization and computationally efficient variational approximations. We establish through synthetic and real data experiments that the proposed estimator can, in many cases, achieve better accuracy than a recently proposed loss-based estimator. We contribute to the factor analysis literature by extracting new indexes of \emph{low}, \emph{medium}, and \emph{high} economic policy uncertainty, as well as \emph{loose}, \emph{median}, and \emph{tight} financial conditions. We show that the high uncertainty and tight financial conditions indexes have superior predictive ability for various measures of economic activity. In a high-dimensional exercise involving about 1000 daily financial series, we find that quantile factors also provide superior out-of-sample information compared to mean or median factors.