A Nodewise Regression Approach to Estimating Large Portfolios
用逐节点回归估计高维投资组合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：摘要聚焦高维组合估计及协方差逆矩阵估计，未直接研究资产定价、金融因子或尾部与系统性风险，现有细分缺少直接匹配项。
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…
用逐节点回归估计高维投资组合
- 研究问题
- 当资产数超过观测数时，利用逐节点回归估计超额收益协方差矩阵的逆，能否使全局最小方差及 Markowitz 均值—方差组合的方差、权重和风险得到一致估计？
- 方法与思路
- 作者以 LASSO 逐节点回归直接估计稀疏精度矩阵，研究高维组合方差、权重和风险的大样本性质，并在实证中与因子模型及收缩方法比较。
- 材料陈述的贡献
- 摘要称，即使资产数多于观测数，两类组合的方差、权重和风险也可一致估计；实证比较显示逐节点回归表现良好，但摘要未提供具体指标。
- 阅读关注点
- 阅读全文时应核对精度矩阵稀疏性及收益数据的假设、各组合量的一致性条件，并检查实证比较的风险指标、调参方式和样本外设计。
- 阅读边界
- 摘要未说明风险指标的定义、稀疏度限制或实证比较细节；一致性与作者所称的良好表现不能直接推出有限样本优势，也未证明尾部或系统性风险改善。
原文摘要
This article investigates the large sample properties of the variance, weights, and risk of high-dimensional portfolios where the inverse of the covariance matrix of excess asset returns is estimated using a technique called nodewise regression. Nodewise regression provides a direct estimator for the inverse covariance matrix using the least absolute shrinkage and selection operator to estimate the entries of a sparse precision matrix. We show that the variance, weights, and risk of the global minimum variance portfolios and the Markowitz mean-variance portfolios are consistently estimated with more assets than observations. We show, empirically, that the nodewise regression-based approach performs well in comparison to factor models and shrinkage methods.Supplementary materials for this article are available online.