Testing high-dimensional covariance matrices under the elliptical distribution and beyond
椭圆分布及其推广下的高维协方差矩阵检验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：摘要核心是通用高维协方差检验，特异收益应用不足以明确归入所列金融细分方向。
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…
关注这篇论文的作者
椭圆分布及其推广下的高维协方差矩阵检验
- 研究问题
- 如何在广义椭圆分布框架下检验高维协方差矩阵，包括球形性及可能不可逆的目标矩阵，同时减少对具体分布设定的依赖？
- 方法与思路
- 作者对观测进行自标准化，并利用所得样本协方差矩阵线性谱统计量的中心极限定理构造高维协方差检验。
- 材料陈述的贡献
- 摘要称，球形性检验不要求特定参数分布，也不涉及峰度；方法可检验任意半正定目标矩阵，并用于特异收益不相关性检验。
- 阅读关注点
- 应核对广义椭圆模型的范围、自标准化规则、维度与样本量关系，以及奇异目标矩阵的处理和收益应用中的原假设。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明全部分布与渐近条件，不依赖峰度并不意味着对所有重尾或依赖数据均适用。
原文摘要
We develop tests for high-dimensional covariance matrices under a generalized elliptical model. Our tests are based on a central limit theorem for linear spectral statistics of the sample covariance matrix based on self-normalized observations. For testing sphericity, our tests neither assume specific parametric distributions nor involve the kurtosis of data. More generally, we can test against any non-negative definite matrix that can even be not invertible. As an interesting application, we illustrate in empirical studies that our tests can be used to test uncorrelatedness among idiosyncratic returns.