Mining the Factor Zoo: Estimation of Latent Factor Models with Sufficient Proxies
挖掘因子动物园：利用充分代理变量估计潜在因子模型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。
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：摘要直接研究潜在因子模型及因子数量增长；未说明资产收益数据，因此不据题名推定金融因子分类。
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…
挖掘因子动物园：利用充分代理变量估计潜在因子模型
- 研究问题
- 如何把大量观测代理变量的信息与潜在因子估计结合，在代理变量数和因子数均可增长时提高估计表现并应对厚尾数据？
- 方法与思路
- 作者使用带惩罚的降秩回归融合代理信息，并提出稳健降秩回归处理厚尾数据，推导收敛率并通过模拟和实例评价。
- 材料陈述的贡献
- 摘要称方法连接人工选择代理变量与纯多元分析两条路径，允许代理和因子数量增长，并获得相对基准更快的收敛率。
- 阅读关注点
- 应核对充分代理条件、代理与潜在因子的联系、因子数增长限制，以及更快收敛率所采用的基准和厚尾稳健条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未给出具体收敛率、应用数据或充分代理条件，不能推定金融应用结论。
原文摘要
Latent factor model estimation typically relies on either using domain knowledge to manually pick several observed covariates as factor proxies, or purely conducting multivariate analysis such as principal component analysis. However, the former approach may suffer from the bias while the latter can not incorporate additional information. We propose to bridge these two approaches while allowing the number of factor proxies to diverge, and hence make the latent factor model estimation robust, flexible, and statistically more accurate. As a bonus, the number of factors is also allowed to grow. At the heart of our method is a penalized reduced rank regression to combine information. To further deal with heavy-tailed data, a computationally attractive penalized robust reduced rank regression method is proposed. We establish faster rates of convergence compared with the benchmark. Extensive simulations and real examples are used to illustrate the advantages.