Regularized estimation of large covariance matrices
大型协方差矩阵的正则化估计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：摘要研究通用高维协方差正则化，未明确涉及金融因子、定价或其他给定细分。
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
大型协方差矩阵的正则化估计
- 研究问题
- 变量维度较大时，如何正则化协方差矩阵或其逆矩阵，使估计在算子范数下保持一致，并恢复相关谱结构？
- 方法与思路
- 作者对样本协方差做带状化或渐缩处理，也估计逆协方差的带状版本；分析误差率和谱估计，并以重抽样选择带宽。
- 材料陈述的贡献
- 摘要称，在指定良态矩阵族及维度增长条件下获得一致性和显式速率，并在额外嵌入条件下建立特征值与特征向量估计的一致性。
- 阅读关注点
- 阅读全文时应核对矩阵族的结构约束、变量排序、带宽选择、尾部条件，以及谱估计结果所需的额外模型与识别条件。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；维度增长条件不能替代矩阵结构等假设，具体速率和数值表现未提供。
原文摘要
This paper considers estimating a covariance matrix of p variables from n observations by either banding or tapering the sample covariance matrix, or estimating a banded version of the inverse of the covariance. We show that these estimates are consistent in the operator norm as long as (log p)/n→0, and obtain explicit rates. The results are uniform over some fairly natural well-conditioned families of covariance matrices. We also introduce an analogue of the Gaussian white noise model and show that if the population covariance is embeddable in that model and well-conditioned, then the banded approximations produce consistent estimates of the eigenvalues and associated eigenvectors of the covariance matrix. The results can be extended to smooth versions of banding and to non-Gaussian distributions with sufficiently short tails. A resampling approach is proposed for choosing the banding parameter in practice. This approach is illustrated numerically on both simulated and real data.