High dimensional minimum variance portfolio estimation under statistical factor models
统计因子模型下的高维最小方差组合估计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：摘要明确以统计因子模型和主成分协方差估计构建金融资产组合。
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
统计因子模型下的高维最小方差组合估计
- 研究问题
- 在资产维度较高且收益具有统计因子结构时，如何联合设计组合权重约束与协方差估计，使所估最小方差组合获得风险一致性？
- 方法与思路
- 作者将组合权重的 ℓ1 约束与适当的协方差估计结合，并把 POET 的理论结果扩展到与主成分分析相协调的设定。
- 材料陈述的贡献
- 摘要称，所提组合估计具有锐利的风险一致性结果；模拟及标普 100 成分股实证研究显示，其相对所用基准组合表现有利。
- 阅读关注点
- 应核对风险一致性的定义与速率、因子和残差协方差条件，以及权重约束调参、基准设定和实证评估是否计入交易成本。
- 阅读边界
- 仅据所给出版社摘要，无法判断理论条件、性能差异或交易成本处理；最小方差风险不等同于尾部风险，结果也不构成投资建议。
原文摘要
We propose a high dimensional minimum variance portfolio estimator under statistical factor models, and show that our estimated portfolio enjoys sharp risk consistency. Our approach relies on properly integrating ℓ1 constraint on portfolio weights with an appropriate covariance matrix estimator. In terms of covariance matrix estimation, we extend the theoretical results of POET (Fan et al., 2013) to a setting that is coherent with principal component analysis. Simulation and extensive empirical studies on S&P 100 Index constituent stocks demonstrate favorable performance of our MVP estimator compared with benchmark portfolios.