Testing super-diagonal structure in high dimensional covariance matrices
高维协方差矩阵超对角线结构的检验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：摘要主体是通用高维协方差结构检验，资产配置、定价与因子分析仅作为用途列举，细分领域证据不足。
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
高维协方差矩阵超对角线结构的检验
- 研究问题
- 研究高维协方差检验中整体检验的变异与信号稀释问题，考察聚焦超对角线能否提高对稀疏信号及参数结构的检测能力。
- 方法与思路
- 作者提出沿高维协方差矩阵超对角线进行检验的程序，将检验重点放在局部结构上，并通过理论、模拟和实证研究分析性质。
- 材料陈述的贡献
- 摘要称所提程序对稀疏信号和参数化协方差结构具有较强检测能力，并能够更准确地推断矩阵结构，但未提供具体功效结果。
- 阅读关注点
- 应核对超对角线对应的原假设、变量排序的作用、统计量及临界值构造，以及稀疏备择下功效结论与比较检验的条件。
- 阅读边界
- 本导读限于所给出版社摘要；维度条件、协方差结构限制及实证对象未说明，列举金融用途不足以确定论文专属金融方向。
原文摘要
The covariance matrices are essential quantities in econometric and statistical applications including portfolio allocation, asset pricing and factor analysis. Testing the entire covariance under high dimensionality endures large variability and causes a dilution of the signal-to-noise ratio and hence a reduction in the power. We consider a more powerful test procedure that focuses on testing along the super-diagonals of the high dimensional covariance matrix, which can infer more accurately on the structure of the covariance. We show that the test is powerful in detecting sparse signals and parametric structures in the covariance. The properties of the test are demonstrated by theoretical analyses, simulation and empirical studies.