Bayesian Dynamic Matrix Factor Models
贝叶斯动态矩阵因子模型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：摘要直接研究高维矩阵时间序列的动态因子降维；金融组合示例未进一步明确金融因子的经济含义。
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…
贝叶斯动态矩阵因子模型
- 研究问题
- 面对高维矩阵时间序列，如何在低秩降维的同时刻画因子的动态演化，并解决模型识别、超参数选择与估计不确定性问题？
- 方法与思路
- 作者提出基于数值稳定贝叶斯算法的动态矩阵因子模型，给出两种模型识别方法，并以模型比较方法选择超参数。
- 材料陈述的贡献
- 摘要称模拟中模型能准确估计矩阵因子并获得估计区间，金融投资组合数据应用显示该方法可提取高维矩阵序列中的信息。
- 阅读关注点
- 应核对动态因子与载荷的设定、两种识别方法的限制、先验及算法收敛表现，以及估计区间性质和超参数比较准则。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；先验、算法细节及区间覆盖性质未说明，不能由模拟表述断言普遍估计准确或推断后续刊本变化。
原文摘要
The growth in data volume and the expansion in data dimensionality are challenging the analysis of high-dimensional matrix time series. Factor models for matrix-valued high-dimensional time series are a powerful tool for reducing the dimensionality of the variables with low-rank structures. However, existing high-dimensional matrix factor models are nearly all static and struggle to capture the dynamics and time evolution of data. In this article, a dynamic matrix factor model based on a numerically stable Bayesian algorithm is proposed to tackle the challenges mentioned above. In addition, the identification of dynamic matrix factor models is discussed and two methods for model identification are proposed. Additionally, a model comparison method for hyperparameter selection is proposed. The simulation results show that the proposed Bayesian dynamic matrix factor model can accurately estimate the matrix factors and obtain estimated confidence intervals. A real-world data analysis on a financial portfolio dataset illustrates that the method can be used to extract useful knowledge from high-dimensional matrix time series.