Common functional principal components
共同函数主成分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：摘要明确以不同到期日的隐含波动率函数及其对数收益作为研究应用。
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…
共同函数主成分
- 研究问题
- 如何比较两个函数样本的均值及主成分结构，并研究不同到期日隐含波动率函数的对数收益是否具有相似随机行为？
- 方法与思路
- 作者先从离散含噪数据估计函数主成分，再建立两样本理论，以自助法检验特征值、特征函数和均值函数相等。
- 材料陈述的贡献
- 摘要称，论文提出新的函数主成分估计方法与两样本推断程序，并通过模拟和隐含波动率分析展示检验性质及应用。
- 阅读关注点
- 应核对含噪离散观测的处理、特征函数比较的识别约束、自助法有效性条件，以及金融样本依赖结构的处理。
- 阅读边界
- 索引摘要未注明稿件版本，未报告模拟数值或金融应用结论；不能据此判断检验表现或隐含波动率的实证规律。
原文摘要
Functional principal component analysis (FPCA) based on the Karhunen–Loève decomposition has been successfully applied in many applications, mainly for one sample problems. In this paper we consider common functional principal components for two sample problems. Our research is motivated not only by the theoretical challenge of this data situation, but also by the actual question of dynamics of implied volatility (IV) functions. For different maturities the log-returns of IVs are samples of (smooth) random functions and the methods proposed here study the similarities of their stochastic behavior. First we present a new method for estimation of functional principal components from discrete noisy data. Next we present the two sample inference for FPCA and develop the two sample theory. We propose bootstrap tests for testing the equality of eigenvalues, eigenfunctions, and mean functions of two functional samples, illustrate the test-properties by simulation study and apply the method to the IV analysis.