High-Dimensional Spatial Arbitrage Pricing Theory with Heterogeneous Interactions
具有异质交互的高维空间套利定价理论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：摘要明确扩展资本资产定价与套利定价模型，并同时处理可观测和潜在金融因子。
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…
关注这篇论文的作者
具有异质交互的高维空间套利定价理论
- 研究问题
- 如何在高维资产定价模型中同时纳入空间交互和多因子结构，并针对可观测与潜在因子估计空间及因子系数？
- 方法与思路
- 作者从均值—方差分析扩展空间资本资产定价与套利定价模型，使用结合岭回归的收缩Yule–Walker估计，潜在因子先由自协方差特征分析提取。
- 材料陈述的贡献
- 摘要提出对应市场贝塔的空间相关参数，并在完全市场设定下扩展至多因子框架，建立维度和样本量同时增长时的渐近性质。
- 阅读关注点
- 应核对空间交互矩阵与异质性设定、完全市场假设的作用、潜在因子识别与估计误差，以及收缩强度选择和高维渐近条件。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明定价限制、交互矩阵来源或实证结果，模拟与实例不能确证普遍有效性。
原文摘要
This paper investigates estimation and inference of a Spatial Arbitrage Pricing Theory (SAPT) model that integrates spatial interactions with multi-factor analysis, accommodating both observable and latent factors. Building on the classical mean-variance analysis, we introduce a class of Spatial Capital Asset Pricing Models (SCAPM) that account for spatial effects in high-dimensional assets, where we define {\it spatial rho} as a counterpart to market beta in CAPM. We then extend SCAPM to a general SAPT framework under a {\it complete} market setting by incorporating multiple factors. For SAPT with observable factors, we propose a generalized shrinkage Yule-Walker (SYW) estimation method that integrates ridge regression to estimate spatial and factor coefficients. When factors are latent, we first apply an autocovariance-based eigenanalysis to extract factors, then employ the SYW method using the estimated factors. We establish asymptotic properties for these estimators under high-dimensional settings where both the dimension and sample size diverge. Finally, we use simulated and real data examples to demonstrate the efficacy and usefulness of the proposed model and method.