High-dimensional conditional factor model
高维条件因子模型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：摘要明确研究条件因子与载荷估计，并将方法用于资产收益预测。
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…
高维条件因子模型
- 研究问题
- 条件因子模型的工具特征维度很高、系数矩阵同时低秩与行稀疏时，如何估计因子和载荷、选择相关特征并进行选择后的推断？
- 方法与思路
- 作者采用核范数正则化与自适应组 LASSO 的多阶段程序，估计潜在因子和稀疏载荷，并以奇异值阈值方法确定因子数量。
- 材料陈述的贡献
- 摘要称，研究建立多阶段估计一致性、选择一致性及 post-LASSO 推断理论；模拟评价载荷、因子数和推断，并用于资产收益预测。
- 阅读关注点
- 应核对低秩与行稀疏的识别条件、因子归一化、各阶段误差传递，以及因子数选择和选择后推断是否需要额外信号强度条件。
- 阅读边界
- 仅据所给出版社摘要，维度增长、信号强度和预测评价细节未说明；工具特征的选择不应自动解释为因果工具变量的有效性验证。
原文摘要
This paper studies estimation and variable selection in conditional factor models with high-dimensional instruments, where the coefficient matrix exhibits a low-rank and row-sparse structure. We propose a multi-stage estimation procedure that combines nuclear norm regularization and adaptive group LASSO regression to consistently estimate latent factors and row-sparse loading coefficients, while selecting relevant instrumental characteristics. We establish theoretical results for estimation consistency, selection consistency, and post-LASSO inference for estimators of factors and loading coefficients at multiple stages. Furthermore, we implement a singular value thresholding procedure to determine the number of factors. Simulation results demonstrate the effectiveness of our estimators in consistently estimating factor loadings, selecting the appropriate number of factors, and conducting inference. Finally, we apply the proposed method to an empirical study on asset return prediction, showcasing its practical utility in real-world applications.