A Unified Framework for Estimation of High-Dimensional Conditional Factor Models
高维条件因子模型估计的统一框架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：摘要明确研究条件潜因子模型，并以美国个股收益的样本外预测为应用，对应金融因子与收益预测。
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
高维条件因子模型估计的统一框架
- 研究问题
- 如何统一估计高维条件潜因子模型，减少既有方法的模型专属性，并在个股收益应用中检验同质性约束的预测价值？
- 方法与思路
- 作者以带约束的核范数正则化估计条件因子模型，建立大样本性质和高效算法，并用交叉验证选择正则化参数。
- 材料陈述的贡献
- 摘要称框架统一多种条件因子模型并得到新的渐近结果；美国个股收益分析显示，同质性约束改善样本外预测且新方法优于比较方法。
- 阅读关注点
- 应核对条件因子结构、约束与同质性的具体含义、核范数估计的识别和渐近条件，以及收益预测的划分与比较方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不推断刊本变化；摘要未说明同质性约束形式、预测指标与优势幅度，不能将特定应用的表现推广到其他市场。
原文摘要
This article presents a general framework for estimating high-dimensional conditional latent factor models via constrained nuclear norm regularization. We establish large sample properties of the estimators and provide efficient algorithms for their computation. To improve practical applicability, we propose a cross-validation procedure for selecting the regularization parameter. Our framework unifies the estimation of various conditional factor models, enabling the derivation of new asymptotic results while addressing limitations of existing methods, which are often model-specific or restrictive. Empirical analyses of the cross section of individual US stock returns suggest that imposing homogeneity improves the model’s out-of-sample predictability, with our new method outperforming existing alternatives. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.