Weight-Calibrated Estimation for Factor Models of High-Dimensional Time Series
高维时间序列因子模型的权重校准估计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：摘要明确研究高维时间序列的潜在共同因子及其估计，直接支持因子模型和时间序列方向分类。
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…
高维时间序列因子模型的权重校准估计
- 研究问题
- 在高维时间序列因子模型中，如何改进基于自协方差的估计，并比较不同因子强度下各类估计方法的理论表现？
- 方法与思路
- 作者沿用自协方差框架，通过线性投影处理高维性，并结合降秩自回归形式构造权重校准方法，建立相应渐近理论。
- 材料陈述的贡献
- 摘要称方法放宽了特质噪声为白噪声的假设，并系统比较协方差法、标准自协方差法和新方法在不同因子强度下的表现。
- 阅读关注点
- 应核对权重的构造、噪声依赖的允许范围、因子强度与维度增长条件，以及三类方法理论比较是否使用相同评价标准。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，未核对全文或刊本变化；摘要未说明放宽白噪声假设后的具体条件，应用优势不能视为普遍结论。
原文摘要
The factor modeling for high-dimensional time series is powerful in discovering latent common components for dimension reduction and information extraction. Most available estimation methods can be divided into two categories: the covariance-based under asymptotically-identifiable assumption and the autocovariance-based with white idiosyncratic noise. This paper follows the autocovariance-based framework and develops a novel weight-calibrated method to improve the estimation performance. It adopts a linear projection to tackle high-dimensionality, and employs a reduced-rank autoregression formulation. The asymptotic theory of the proposed method is established, relaxing the assumption on white noise. Additionally, we make the first attempt in the literature by providing a systematic theoretical comparison among the covariance-based, the standard autocovariance-based, and our proposed weight-calibrated autocovariance-based methods in the presence of factors with different strengths. Extensive simulations are conducted to showcase the superior finite-sample performance of our proposed method, as well as to validate the newly established theory. The superiority of our proposal is further illustrated through the analysis of one financial and one macroeconomic data sets.