Cauchy-Aggregated Ridge Tests for High-Dimensional Factor Pricing Models
高维因子定价模型的柯西聚合岭检验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。
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：摘要直接研究金融因子定价模型中的定价误差检验。
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
高维因子定价模型的柯西聚合岭检验
- 研究问题
- 高维因子定价模型中，岭参数的最佳选择依赖未知定价误差方向。作者研究如何降低调参不确定性对检验功效的影响。
- 方法与思路
- 作者以柯西规则合并不同岭参数对应的显著性概率，保留最小二乘定价误差估计和残差样本协方差，允许资产数超过观测数。
- 材料陈述的贡献
- 摘要称建立了分量统计量的联合高斯极限及跨参数协方差表达，并在所设模拟中获得接近名义水平的拒绝率和功效改善。
- 阅读关注点
- 应核对高维渐近框架、零假设与局部备择下的条件，以及合并检验尾部校准的适用范围和模拟基准的设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要未说明完整假设及模拟设计，不能据此认定普遍优于其他检验。
原文摘要
In high-dimensional factor pricing models, the power of regularized alpha tests depends on the ridge parameter, whose optimal value varies with the unknown direction of pricing errors. We address this tuning uncertainty by combining ridge-specific p-values using the Cauchy rule. The resulting test retains the least-squares alpha estimator and residual sample covariance and accommodates more assets than observations. We establish the joint Gaussian limits of the component statistics under the null and local alternatives and derive an explicit covariance formula across ridge parameters. These results characterize the combined test's asymptotic distribution and local power and justify its tail calibration. Simulations show empirical rejection rates close to the nominal levels and power gains over the fixed-ridge benchmark, with power approaching that of signal-informed ridge benchmarks across the simulated settings.