Sparse Asymptotic PCA: Identifying Sparse Latent Factors Across Time Horizon in High-Dimensional Time Series
创建于 更新于
摘要
本论文提出了一种基于稀疏渐近主成分分析（sparse APCA）的稀疏潜因子建模框架，假设因子过程在时间维度上稀疏而载荷非稀疏，以更好刻画金融市场高维时间序列中系统风险随时间的动态演变。论文设计了基于截断幂法的估计算法，并创新性地提出利用截面交叉验证确定稀疏度，理论上证明了估计量的一致性。通过蒙特卡洛模拟和标普500股票日收益率的实证分析，揭示了影响股市的九个重要时间风险因子，体现了方法在解析市场系统性风险时的优越性与解释力 [page::0][page::3][page::24]
