High-dimensional test for alpha in linear factor pricing models with sparse alternatives
稀疏备择下线性因子定价模型 Alpha 的高维检验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：摘要明确检验线性因子定价模型的 Alpha，并应用 Fama–French 三因子模型分析股票收益。
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…
稀疏备择下线性因子定价模型 Alpha 的高维检验
- 研究问题
- 当证券数量超过收益序列的时间长度，且非零 Alpha 只出现在少数证券时，如何检验线性因子定价模型是否存在 Alpha？
- 方法与思路
- 作者提出最大平方型检验以针对稀疏备择，并建议与平方和型检验结合，研究其理论性质并进行模拟和中美股票应用。
- 材料陈述的贡献
- 摘要称新检验具有相应理论性质和模拟优势，组合检验利用两类检验的功效特点，并在三因子模型应用中展示检测用途。
- 阅读关注点
- 应核对证券间及时间依赖条件、稀疏程度与检验功效的关系，以及最大型和平方和型统计量如何组合并控制检验水平。
- 阅读边界
- 仅据所给出版社摘要，不能将模拟优势推广到所有备择；摘要未说明具体检验条件、拒绝结果数值或后续版本变化。
原文摘要
We consider the problem of testing for the presence of alpha in Linear Factor Pricing Models. We propose a novel test of the max-of-squares type, which is designed to deal with the high dimensionality of the securities and the sparse alternatives. We rigorously show that the proposed test has attractive theoretical properties and demonstrate its superior performance via Monte Carlo experiments. These results are established when the number of securities is larger than the time dimension of the return series, and the alternative hypothesis is sparse, i.e. the alpha vector is sparse. As a general alternative, we suggest to combine the max-of-squares type test and a sum-of-squares type test, to benefit from the power advantages of both tests. We apply the two proposed tests to the monthly returns on securities in the Chinese and the U.S. stock markets, respectively under the Fama–French three-factor model, and confirm the usefulness of the proposed tests in detecting the presence of alpha.