Factor Model Estimation for High-Dimensional Time Series with Heteroskedastic Noise
异方差噪声下高维时间序列的因子模型估计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。
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：摘要明确研究高维时间序列因子载荷估计，并将方法应用于标普 500 股票收益。
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…
异方差噪声下高维时间序列的因子模型估计
- 研究问题
- 在截面异方差白噪声污染同期协方差时，如何结合同期与滞后信息估计因子载荷空间，并判断加入同期信息的收益？
- 方法与思路
- 作者组合同期协方差与滞后自协方差，使用已有 HeteroPCA 校正异质对角噪声，并扩展到已知位置集合上的稀疏污染。
- 材料陈述的贡献
- 摘要称，研究给出依赖观测下的一致性与收敛率，识别同期信息可改善速率的情形，并以模拟和股票收益应用展示方法。
- 阅读关注点
- 应核对噪声白噪声假设、因子强度、稀疏性与非相干条件，以及组合矩阵构造和速率改善区间是否对应实际数据。
- 阅读边界
- 这是 arXiv v1 预印本，不能据此认定同行评审或期刊接收；摘要未给出具体正则条件、改善区间公式及应用数值。
原文摘要
Factor modeling provides a framework for extracting common components from high-dimensional time series. We develop an estimator of the factor loading space that combines contemporaneous covariance with lagged autocovariance information. Under cross-sectionally heteroskedastic white noise, the contemporaneous covariance contains heterogeneous diagonal noise contributions. We apply the existing HeteroPCA algorithm to the combined estimation matrix to correct this contamination while retaining information from serial dependence. The framework also accommodates noise contamination on a known set of entries subject to sparsity and incoherence conditions. Under regularity conditions for dependent observations, we establish consistency and derive convergence rates, identifying regimes in which incorporating contemporaneous covariance improves the rate relative to the lagged-autocovariance estimator. Simulations evaluate loading-space estimation error and the effects of contemporaneous covariance inclusion and diagonal correction. An application to S\&P 500 stock returns illustrates the method.