Large-Dimensional Factor Analysis Without Moment Constraints
无矩约束的高维因子分析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：摘要明确以潜在共同因子提取高维数据特征，并将方法应用于金融资产收益数据，因此归入金融因子。
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…
无矩约束的高维因子分析
- 研究问题
- 当高维数据具有厚尾、可能不满足传统因子估计所需的有限四阶矩时，如何恢复潜在因子空间、因子得分和共同成分？
- 方法与思路
- 作者以空间 Kendall’s tau 矩阵替代样本协方差矩阵进行主成分分析，再用普通最小二乘回归估计因子得分。
- 材料陈述的贡献
- 摘要称在椭圆分布框架下，无需矩约束即可一致估计载荷、得分与共同成分，并给出收敛率；资产收益应用报告优于传统主成分法。
- 阅读关注点
- 阅读时应核对椭圆分布及因子结构的具体假设、维度与样本量的增长条件，以及模拟和收益数据中的评价标准与比较设置。
- 阅读边界
- 无需矩约束的结论限定于摘要所述的椭圆分布框架，其他正则条件未说明；模拟与金融样本的比较不能确立普遍优越性。
原文摘要
Large-dimensional factor model has drawn much attention in the big-data era, to reduce the dimensionality and extract underlying features using a few latent common factors. Conventional methods for estimating the factor model typically requires finite fourth moment of the data, which ignores the effect of heavy-tailedness and thus may result in unrobust or even inconsistent estimation of the factor space and common components. In this article, we propose to recover the factor space by performing principal component analysis to the spatial Kendall’s tau matrix instead of the sample covariance matrix. In a second step, we estimate the factor scores by the ordinary least square regression. Theoretically, we show that under the elliptical distribution framework the factor loadings and scores as well as the common components can be estimated consistently without any moment constraint. The convergence rates of the estimated factor loadings, scores, and common components are provided. The finite sample performance of the proposed procedure is assessed through thorough simulations. An analysis of a financial dataset of asset returns shows the superiority of the proposed method over the classical principle component analysis method.