Spectra of high-dimensional Spearman correlation matrices under scale-mixture dependence
尺度混合依赖下高维 Spearman 相关矩阵的谱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：摘要主要提供高维秩相关矩阵的谱理论，未明确研究金融因子、资产定价或其他所列目标。
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…
尺度混合依赖下高维 Spearman 相关矩阵的谱
- 研究问题
- 当各坐标共享随机尺度，虽在 Pearson 与 Spearman 意义下两两不相关，其高阶依赖是否仍会改变高维秩相关矩阵的谱？
- 方法与思路
- 作者在维度与样本量同比增长的框架下分析尺度混合数据，借助有效秩方差刻画极限谱，并提出更广泛的潜变量扩展。
- 材料陈述的贡献
- 摘要称，高阶依赖在秩变换后仍留下谱特征，经验谱分布几乎必然收敛至由有效秩方差分布决定的广义 Marčenko–Pastur 律。
- 阅读关注点
- 应核对对称性与尺度变量条件、有效秩方差的定义、极限谱推导，以及相关方向分量扩展的适用范围和数值近似方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未经核实；摘要未给出完整正则条件，金融动机也不足以证明具体资产模型中的适用性。
原文摘要
We study the asymptotic spectral properties of high-dimensional Spearman correlation matrices for scale-mixture data. We consider observations of the form $x_t=σ_t ξ_t \in \mathbb{R}^N,$ where the coordinates of $ξ_t$ are i.i.d.\ and the scalar mixture variable $σ_t$ is shared by all coordinates. Under natural symmetry assumptions, the coordinates of $x_t$ are pairwise uncorrelated in both the Pearson and Spearman sense. Nevertheless, they are not independent when the mixture variable is non-degenerate. We show that this higher-order dependence survives the rank transformation and leaves a nontrivial spectral signature. In the proportional regime $N/T\to q\in(0,\infty),$ the empirical spectral distribution of the Spearman correlation matrix converges almost surely to a generalized Marčenko--Pastur law governed by the limiting distribution of an effective rank variance. We also formulate a broader latent-variable extension, which covers, in particular, some scale-mixture models with correlated directional components. We discuss solvable examples and numerical approximations, motivated in part by heavy-tailed data in robust multivariate statistics, econometrics, and finance.