Structural Change Detection in High-Dimensional Transformed Factor Models via Canonical Correlation Analysis
基于典型相关分析的高维变换因子模型结构变化检测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：摘要直接研究高维因子模型中的未知变点、区间因子数和结构变化检测。
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
基于典型相关分析的高维变换因子模型结构变化检测
- 研究问题
- 当高维变换因子模型的变点和各区间因子数均未知时，如何利用动态依赖区分共同因子与噪声，并定位结构变化？
- 方法与思路
- 作者利用共同因子诱导的低秩典型相关结构，在估计噪声子空间中构造特征值比准则，并交替更新变点与分区因子数。
- 材料陈述的贡献
- 摘要称在区间结构充分分离及适当混合、矩条件下建立渐近性质，收敛率显式取决于因子强度、横截面维度和样本量。
- 阅读关注点
- 应核对特质项无序列相关的限制、载荷空间或动态相关结构的分离条件，以及交替算法的停止规则和估计误差如何传递。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；所给摘要末句被截断，无法据此判断模拟与应用的有限样本结论。
原文摘要
This paper develops a canonical-correlation-based method for detecting structural changes in high-dimensional transformed factor models. The proposed approach exploits the low-rank canonical-correlation structure induced by dynamically dependent common factors, while serially uncorrelated idiosyncratic components correspond to a noise subspace with zero canonical correlations. We construct an eigenvalue-ratio criterion that measures residual dynamic dependence in the estimated noise subspace and identifies the true change point under sufficient separation of the regime-specific loading spaces or dynamic canonical correlation structures. Since the change-point location and the regime-specific factor numbers are both unknown, we further propose an alternating iterative estimation procedure that updates them sequentially until convergence. Under suitable mixing and moment conditions, we establish asymptotic properties of the proposed estimators, with convergence rates depending explicitly on factor strength, cross-sectional dimension, and sample size. Monte Carlo experiments and empirical applications to intraday stock returns and U.S. temperature series demonstrate the finite-sample