Modeling large dimensional matrix time series with partially known and latent factors
含部分已知因子与潜在因子的高维矩阵时间序列建模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：摘要明确研究矩阵时间序列的已知与潜在因子，并应用于股票日收益，因此对应时间序列、因子模型及金融因子方向。
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…
含部分已知因子与潜在因子的高维矩阵时间序列建模
- 研究问题
- 如何在高维矩阵时间序列的潜在因子模型中纳入已知因子或有用协变量，并刻画相关估计量的收敛性质？
- 方法与思路
- 作者在矩阵因子模型中加入回归项，估计系数矩阵、载荷矩阵与信号部分，并通过数值研究和股票日收益数据评估。
- 材料陈述的贡献
- 摘要称建立各估计对象的收敛速度，其速度与所引既有研究一致，并报告有限样本研究及股票日收益应用中的表现改善。
- 阅读关注点
- 应核对已知与潜在因子的区分、模型识别和维度增长条件，以及股票应用中的基准模型、评价指标与比较设定。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体收敛条件和比较结果，不能据此认定普遍优于其他模型。
原文摘要
This article considers to model large-dimensional matrix time series by introducing a regression term to the matrix factor model. This is an extension of classic matrix factor model to incorporate the information of known factors or useful covariates. We establish the convergence rates of coefficient matrix, loading matrices and the signal part. The theoretical results coincide with the rates in Wang et al. (2019). We conduct numerical studies to verify the performance of our estimation procedure in finite samples. Finally, we demonstrate the superiority of our proposed model using the daily returns of stocks data.