State-Varying Factor Models of Large Dimensions
高维状态依赖因子模型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：摘要研究状态依赖的因子与载荷，并以国债收益率和股票收益考察因子结构及定价信息，因此归入金融因子与资产定价。
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
高维状态依赖因子模型
- 研究问题
- 当因子载荷随反复出现的状态变化时，如何估计高维数据中的潜在因子并进行推断？论文还研究不同状态下因子结构是否发生变化。
- 方法与思路
- 作者把因子载荷设为状态过程的一般函数，将非参数方法与主成分分析结合，在大横截面和长时间维度下估计因子、载荷及共同成分。
- 材料陈述的贡献
- 摘要称，论文给出收敛速度、极限正态分布及跨状态检验；金融应用显示状态相关结构差异，以VIX为状态变量的因子比固定载荷模型捕捉更多股票变动与定价信息。
- 阅读关注点
- 核对状态过程的条件、平滑参数选择、因子与载荷的归一化，以及跨状态检验和股票定价信息比较的具体实现与评价标准。
- 阅读边界
- 摘要未说明关键正则条件、状态变量的选择依据和实证效应大小；所述金融应用的拟合与定价信息优势，其稳健性及样本外表现仍待核查。
原文摘要
This article develops an inferential theory for state-varying factor models of large dimensions. Unlike constant factor models, loadings are general functions of some recurrent state process. We develop an estimator for the latent factors and state-varying loadings under a large cross-section and time dimension. Our estimator combines nonparametric methods with principal component analysis. We derive the rate of convergence and limiting normal distribution for the factors, loadings, and common components. In addition, we develop a statistical test for a change in the factor structure in different states. We apply the estimator to the U.S. Treasury yields and S&P500 stock returns. The systematic factor structure in treasury yields differs in times of booms and recessions as well as in periods of high market volatility. State-varying factors based on the VIX capture significantly more variation and pricing information in individual stocks than constant factor models.