Manifold Principle Component Analysis for Large-Dimensional Matrix Elliptical Factor Model
高维矩阵椭圆因子模型的流形主成分分析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：摘要直接研究矩阵序列的因子估计，并以金融收益数据检验方法，对应因子模型及金融因子。
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…
高维矩阵椭圆因子模型的流形主成分分析
- 研究问题
- 面对可能厚尾的高维矩阵序列，如何稳健估计行列因子载荷空间、因子得分和共同成分，并确定行列因子数量？
- 方法与思路
- 作者提出矩阵椭圆因子模型，先对各观测矩阵做奇异值分解，再聚合局部空间，构造两种流形主成分算法与特征值比估计。
- 材料陈述的贡献
- 摘要称，载荷估计无需因子和特有误差的矩条件，在其他条件下给出相关估计量收敛率，并证明因子数量估计一致。
- 阅读关注点
- 应核对椭圆模型设定、局部空间聚合方式，以及无矩条件结论仍需的假设、维度增长关系和金融收益实证比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已经同行评审或期刊接收；摘要未列出所谓温和条件，不能推断方法对所有厚尾矩阵数据有效。
原文摘要
Matrix factor model has been growing popular in scientific fields such as econometrics, which serves as a two-way dimension reduction tool for matrix sequences. In this article, we for the first time propose the matrix elliptical factor model, which can better depict the possible heavy-tailed property of matrix-valued data especially in finance. Manifold Principle Component Analysis (MPCA) is for the first time introduced to estimate the row/column loading spaces. MPCA first performs Singular Value Decomposition (SVD)for each "local" matrix observation and then averages the local estimated spaces across all observations, while the existing ones such as 2-dimensional PCA first integrates data across observations and then does eigenvalue decomposition of the sample covariance matrices. We propose two versions of MPCA algorithms to estimate the factor loading matrices robustly, without any moment constraints on the factors and the idiosyncratic errors. Theoretical convergence rates of the corresponding estimators of the factor loading matrices, factor score matrices and common components matrices are derived under mild conditions. We also propose robust estimators of the row/column factor numbers based on the eigenvalue-ratio idea, which are proven to be consistent. Numerical studies and real example on financial returns data check the flexibility of our model and the validity of our MPCA methods.