High dimensional alpha test for linear factor pricing model with Lq-norm
高维线性因子定价模型的 Lq 范数 alpha 检验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：摘要明确讨论线性因子定价模型中的定价误差检验，直接对应资产定价与金融因子，并涉及因子模型的高维检验。
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
高维线性因子定价模型的 Lq 范数 alpha 检验
- 研究问题
- 研究问题：在高维线性因子定价模型中检验定价误差是否为零，尤其是当备择假设的稀疏程度未知时，如何兼顾稠密与极稀疏两种情形。
- 方法与思路
- 方法思路：作者提出一类基于有限 q 的 Lq 统计量（含 L4、L6），并证明 L∞ 统计量与任意有限 q 的 Lq 统计量渐近独立，据此构造自适应不同稀疏程度的 Cauchy 组合检验。
- 材料陈述的贡献
- 摘要所述贡献：给出 Lq 检验类并指出 q 越大对稀疏备择越敏感；建立 L∞ 与 Lq 的渐近独立性以支持 Cauchy 组合检验；模拟与实证显示所提方法对未知稀疏度更稳健，有限样本下可优于既有方法。
- 阅读关注点
- 阅读时应核对：定价误差与因子模型的具体设定、高维渐近框架与正则条件、Lq 统计量的构造与极限分布、渐近独立性的证明条件、Cauchy 组合检验的水平与功效性质，以及模拟与实证的数据和比较基准。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断识别假设、定理条件、检验的实际水平与功效、数据来源与结果稳健性；摘要称优于既有方法属作者陈述，未经独立验证。该来源为 Semantic Scholar 记录，未说明是否经同行评审，不能据此声称已发表或接收。
原文摘要
We consider testing zero pricing errors in high-dimensional linear factor pricing models. Existing methods are mainly based on either an $L_2$ statistic, which is effective under dense alternatives, or an $L_\infty$ statistic, which is powerful under very sparse alternatives. To bridge these two regimes, we develop a class of $L_q$-based tests for finite $q$, including the practically useful $L_4$ and $L_6$ cases. We show that larger $q$ leads to greater sensitivity to sparse alternatives. We further establish the asymptotic independence between the $L_\infty$ statistic and the $L_q$ statistic for any finite $q$, which motivates a Cauchy combination test that adapts to a broad range of sparsity levels. Simulation studies and a real-data analysis show that the proposed methods are more robust to the unknown sparsity of the alternative and can outperform existing procedures in finite samples.