Tests for principal eigenvalues and eigenvectors
主要特征值与特征向量的检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要在大因子模型下研究主成分检验，并明确应用于股票日收益的跨年份比较。
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…
主要特征值与特征向量的检验
- 研究问题
- 如何检验大因子模型中主要特征值与特征向量的跨样本变化，并进一步区分结构突变来自哪些主成分？
- 方法与思路
- 作者建立主要特征值和特征向量的中心极限定理，构造两样本检验，并比较标普五百成分股不同年份的日收益。
- 材料陈述的贡献
- 摘要称这些检验可分别识别特定主要特征值或特征向量的变化，为大因子模型的结构突变来源提供更细的分析。
- 阅读关注点
- 应核对因子强度、维度和样本量条件、特征向量的可比较性，以及两样本依赖和多个主成分检验如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出渐近条件与经验检验结果，不能判断具体突变时间或经济机制。
原文摘要
We establish central limit theorems for principal eigenvalues and eigenvectors under a large factor model setting, and develop two-sample tests of both principal eigenvalues and principal eigenvectors. One important application is to detect structural breaks in large factor models. Compared with existing methods for detecting structural breaks, our tests provide unique insights into the source of structural breaks because they can distinguish between individual principal eigenvalues and/or eigenvectors. We demonstrate the application by comparing the principal eigenvalues and principal eigenvectors of S\&P500 Index constituents' daily returns over different years.