Parametric estimation of long memory in factor models
因子模型中长记忆的参数估计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：摘要研究动态长记忆因子模型，并将其应用于美国行业已实现波动率面板。
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
因子模型中长记忆的参数估计
- 研究问题
- 如何在动态因子模型中统一描述共同因子的不同持久性，使平稳与单位根行为平滑纳入同一框架，并估计相关动态参数？
- 方法与思路
- 作者使用随机时间趋势驱动共同因子，形成长记忆因子模型；估计结合主成分分析与条件平方和，并通过模拟考察小样本性质。
- 材料陈述的贡献
- 摘要称，模型平滑涵盖共同因子的 I(0) 与 I(1) 行为，并为动态参数建立通常参数收敛率下的中心化正态渐近结果。
- 阅读关注点
- 应核对持久性参数的范围与识别、主成分估计对后续动态参数估计的影响，以及渐近条件和美国行业已实现波动率应用的设定。
- 阅读边界
- 仅依据所给 OpenAlex 摘要，无法确定渐近理论对样本维度和持久性的具体限制；模拟数值、应用结论及其他版本变化未说明。
原文摘要
A dynamic factor model is proposed in that factor dynamics are driven by stochastic time trends describing arbitrary persistence levels. The proposed model is essentially a long memory factor model, which nests standard I(0) and I(1) behavior smoothly in common factors. In the estimation, principal components analysis (PCA) and conditional sum of squares (CSS) estimations are employed. For the dynamic model parameters, centered normal asymptotics are established at the usual parametric rates, and their small-sample properties are explored via Monte-Carlo experiments. The method is then applied to a panel of U.S. industry realized volatilities.