Time Series Modelling With Semiparametric Factor Dynamics
具有半参数因子动态的时间序列建模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：摘要直接研究动态因子及其向量自回归推断，并明确应用于隐含波动率的动态分析。
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…
具有半参数因子动态的时间序列建模
- 研究问题
- 因子及载荷由半参数方法估计时，能否直接用估计因子的时间序列进行推断，并可靠描述高维系统的动态？
- 方法与思路
- 作者以半参数方法估计因子和载荷，分析估计因子与真实潜在因子所产生推断的渐近差异，并考察向量自回归建模。
- 材料陈述的贡献
- 摘要称，两种因子序列所产生的推断差异渐近可忽略，从而支持对估计因子拟合向量自回归，并提供模拟及应用说明。
- 阅读关注点
- 应核对因子和载荷的识别方式、维度与样本量的增长条件，以及推断等价结论适用于哪些统计量和向量自回归设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明完整正则条件、收敛速度或应用数值，不能推断其他版本的变化。
原文摘要
High-dimensional regression problems, which reveal dynamic behavior, are typically analyzed by time propagation of a few number of factors. The inference on the whole system is then based on the low-dimensional time series analysis. Such high-dimensional problems occur frequently in many different fields of science. In this article we address the problem of inference when the factors and factor loadings are estimated by semiparametric methods. This more flexible modeling approach poses an important question: Is it justified, from an inferential point of view, to base statistical inference on the estimated times series factors? We show that the difference of the inference based on the estimated time series and “true” unobserved time series is asymptotically negligible. Our results justify fitting vector autoregressive processes to the estimated factors, which allows one to study the dynamics of the whole high-dimensional system with a low-dimensional representation. We illustrate the theory with a simulation study. Also, we apply the method to a study of the dynamic behavior of implied volatilities and to the analysis of functional magnetic resonance imaging (fMRI) data.