Estimation of a multiplicative correlation structure in the large dimensional case
大维情形下乘法相关结构的估计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：核心是通用大维相关与协方差结构，组合选择应用不足以明确对应所列金融细分方向。
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…
大维情形下乘法相关结构的估计
- 研究问题
- 如何用参数数量增长较慢的结构表示大维相关或协方差矩阵，并在维度增大时进行估计、模型选择与有效推断？
- 方法与思路
- 作者采用 Kronecker 积模型，利用对数线性性质构造最小距离估计，并提出近似准最大似然的一步估计及模型检验。
- 材料陈述的贡献
- 摘要称参数数量随维度对数增长，建立收敛率与中心极限定理；正确设定下模拟表现较优，并展示股票组合应用。
- 阅读关注点
- 应核对 Kronecker 分解的识别与维度安排、一步更新所需初值条件，以及设定检验和模型选择在误设下的表现。
- 阅读边界
- 仅据所给出版社摘要，模拟优势限于所述正确设定情形；股票应用的近似效果不能证明一般协方差都适合该结构。
原文摘要
We propose a Kronecker product model for correlation or covariance matrices in the large dimensional case. The number of parameters of the model increases logarithmically with the dimension of the matrix. We propose a minimum distance (MD) estimator based on a log-linear property of the model, as well as a one-step estimator, which is a one-step approximation to the quasi-maximum likelihood estimator (QMLE). We establish rates of convergence and central limit theorems (CLT) for our estimators in the large dimensional case. A specification test and tools for Kronecker product model selection and inference are provided. In a Monte Carlo study where a Kronecker product model is correctly specified, our estimators exhibit superior performance. In an empirical application to portfolio choice for S&P500 daily returns, we demonstrate that certain Kronecker product models are good approximations to the general covariance matrix.