A One-Sided Refined Symmetrized Data Aggregation Approach to Robust Mutual Fund Selection
用于稳健共同基金筛选的单侧精细对称化数据聚合方法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：摘要明确以含可观测和潜在市场因子的线性定价模型识别基金技能。
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
用于稳健共同基金筛选的单侧精细对称化数据聚合方法
- 研究问题
- 在线性因子定价模型同时包含可观测与潜在因子时，如何从大量候选基金中识别有技能的基金，并处理弱因子与误差分布差异？
- 方法与思路
- 作者基于对称化数据聚合构造不依赖特定分布的多重检验程序，以适应潜在因子强度和误差分布类型的变化。
- 材料陈述的贡献
- 摘要称在一定正则条件下建立错误发现率与真实发现比例的渐近有效性，并通过模拟和基金筛选应用报告比较优势。
- 阅读关注点
- 应核对基金技能的定义、因子估计与检验统计量的构造，以及多重检验所需的依赖条件、弱因子范围和比较基准。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对刊本变化；所谓温和条件未列出，分布无关性及经验优势不能据此推广至所有情形。
原文摘要
We consider the problem of identifying skilled funds among a large number of candidates under the linear factor pricing models containing both observable and latent market factors. Motivated by the existence of non-strong potential factors and diversity of error distribution types of the linear factor pricing models, we develop a distribution-free multiple testing procedure to solve this problem. The proposed procedure is established based on the statistical tool of symmetrized data aggregation, which makes it robust to the strength of potential factors and distribution type of the error terms. We then establish the asymptotic validity of the proposed procedure in terms of both the false discovery rate and true discovery proportion under some mild regularity conditions. Furthermore, we demonstrate the advantages of the proposed procedure over some existing methods through extensive Monte Carlo experiments. In an empirical application, we illustrate the practical utility of the proposed procedure in the context of selecting skilled funds, which clearly has much more satisfactory performance than its main competitors.