Block-diagonal idiosyncratic covariance estimation in high-dimensional factor models for financial time series
高维金融时间序列因子模型中的块对角特异协方差估计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。
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：摘要直接研究金融资产潜在因子模型中的特异协方差估计，属于金融因子方向。
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…
高维金融时间序列因子模型中的块对角特异协方差估计
- 研究问题
- 当资产数量较多而估计窗口有限时，如何利用行业、资产类别或国家形成的分组结构，改善潜在因子模型中特异协方差的估计？
- 方法与思路
- 作者将协方差分为共同低秩部分与特异部分，对残差序列聚类，再对各块实施收缩以保证正定性，并提出两种聚类估计方案。
- 材料陈述的贡献
- 摘要称，两种估计量在模拟及历史数据中提供了可靠估计，并优于所比较的阈值方法；具体比较指标、幅度与适用范围未说明。
- 阅读关注点
- 应核对块对角结构的合理性、残差和聚类的估计方式、收缩参数选择，以及历史数据实验中比较方法与评价指标的设置。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未给出理论误差界、样本配置或比较数值，不能据此判断普遍优越性。
原文摘要
Estimation of high-dimensional covariance matrices in latent factor models is an important topic in many fields and especially in finance. Since the number of financial assets grows while the estimation window length remains of limited size, the often used sample estimator yields noisy estimates which are not even positive definite. Under the assumption of latent factor models, the covariance matrix is decomposed into a common low-rank component and a full-rank idiosyncratic component. In this paper we focus on the estimation of the idiosyncratic component, under the assumption of a grouped structure of the time series, which may arise due to specific factors such as industries, asset classes or countries. We propose a generalized methodology for estimation of the block-diagonal idiosyncratic component by clustering the residual series and applying shrinkage to the obtained blocks in order to ensure positive definiteness. We derive two different estimators based on different clustering methods and test their performance using simulation and historical data. The proposed methods are shown to provide reliable estimates and outperform other state-of-the-art estimators based on thresholding methods.