Estimation of Characteristics-based Quantile Factor Models
基于个体特征的分位数因子模型估计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：摘要明确研究条件分位数限制下的面板因子模型，并以股票日收益的因子载荷估计为应用。
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…
基于个体特征的分位数因子模型估计
- 研究问题
- 论文研究因子载荷为个体观测特征未知函数、误差满足条件分位数限制时，如何估计因子与载荷并选择各分位数的因子数量。
- 方法与思路
- 作者提出三阶段估计程序，推导因子和载荷函数的收敛速率与极限分布，并构造各分位数下因子数量的一致选择准则。
- 材料陈述的贡献
- 摘要称，方法在厚尾误差、较短时间维度及因子数超过特征数时表现满意，并以模拟和标普 500 股票日收益面板展示性质。
- 阅读关注点
- 应核对三个阶段的具体实现、载荷函数限制、因子识别与数量选择条件，以及厚尾和短面板表现所依赖的设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出正则条件和比较数值，日收益应用本身不证明资产定价能力。
原文摘要
This paper studies the estimation of characteristic-based quantile factor models where the factor loadings are unknown functions of observed individual characteristics while the idiosyncratic error terms are subject to conditional quantile restrictions. We propose a three-stage estimation procedure that is easily implementable in practice and has nice properties. The convergence rates, the limiting distributions of the estimated factors and loading functions, and a consistent selection criterion for the number of factors at each quantile are derived under general conditions. The proposed estimation methodology is shown to work satisfactorily when: (i) the idiosyncratic errors have heavy tails, (ii) the time dimension of the panel dataset is not large, and (iii) the number of factors exceeds the number of characteristics. Finite sample simulations and an empirical application aimed at estimating the loading functions of the daily returns of a large panel of S\&P500 index securities help illustrate these properties.