From Rotational to Scalar Invariance: Enhancing Identifiability in Score-Driven Factor Models
从旋转不变性到标量不变性：提升得分驱动因子模型的可识别性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：摘要直接研究因子识别，并报告金融、宏观数据应用及样本外预测表现。
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…
从旋转不变性到标量不变性：提升得分驱动因子模型的可识别性
- 研究问题
- 得分驱动因子模型能否通过其动态结构减少通常的旋转不确定性，从而改善因子的经济解释与预测表现？
- 方法与思路
- 作者研究包含条件Fisher信息逆平方根的一类缩放矩阵，提出与变量排序无关的限制，将识别不确定性缩至乘法标量。
- 材料陈述的贡献
- 摘要称该识别策略可推广至动态载荷及非线性因子模型；金融与宏观应用中，更灵活规格改善似然和样本外预测。
- 阅读关注点
- 应核对缩放矩阵类别与具体限制、标量归一化方式、推广结果的适用条件，以及预测比较是否采用一致的评估方案。
- 阅读边界
- 仅据所给OpenAlex版本摘要；所谓温和限制及预测改善幅度未列出，不能认定所有因子模型适用或推断刊本变化。
原文摘要
We show that, for a certain class of scaling matrices including the inverse square-root of the conditional Fisher information, score-driven factor models are identifiable up to a multiplicative scalar constant under very mild restrictions. This result has no analogue in parameter-driven models, as it exploits the different structure of the score-driven factor dynamics. Consequently, score-driven factor models overcome the issue of rotational invariance that typically affects dynamic factor models, thereby enhancing the economic and financial interpretability of the estimated factors. Our restrictions are order-invariant and can be generalized to score-driven factor models with dynamic loadings and nonlinear factor models. We test extensively the identification strategy using simulated and real data. The empirical analysis on financial and macroeconomic data reveals a substantial increase of log-likelihood ratios and significantly improved out-of-sample forecast performance when switching from the classical restrictions adopted in the literature to our more flexible specifications.