論文の概要: Sparse Asymptotic PCA: Identifying Sparse Latent Factors Across Time Horizon

• arxiv url: http://arxiv.org/abs/2407.09738v1
• Date: Sat, 13 Jul 2024 01:32:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 21:08:35.952050
• Title: Sparse Asymptotic PCA: Identifying Sparse Latent Factors Across Time Horizon
• Title（参考訳）: スパース漸近性PCA : 時間軸におけるスパース潜伏因子の同定
• Authors: Zhaoxing Gao,
• Abstract要約: 本稿では、新しいスパース主成分分析(APCA)を用いたスパース潜在因子モデリング手法を提案する。 APCAは、因子プロセスは時間的水平線上でスパースであると仮定するが、対応する負荷行列は必ずしもスパースではない。 2004年1月から2016年12月までのS&P500種株価バランスパネルの日次リターンを分析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel method for sparse latent factor modeling using a new sparse asymptotic Principal Component Analysis (APCA). This approach analyzes the co-movements of large-dimensional panel data systems over time horizons within a general approximate factor model framework. Unlike existing sparse factor modeling approaches based on sparse PCA, which assume sparse loading matrices, our sparse APCA assumes that factor processes are sparse over the time horizon, while the corresponding loading matrices are not necessarily sparse. This development is motivated by the observation that the assumption of sparse loadings may not be appropriate for financial returns, where exposure to market factors is generally universal and non-sparse. We propose a truncated power method to estimate the first sparse factor process and a sequential deflation method for multi-factor cases. Additionally, we develop a data-driven approach to identify the sparsity of risk factors over the time horizon using a novel cross-sectional cross-validation method. Theoretically, we establish that our estimators are consistent under mild conditions. Monte Carlo simulations demonstrate that the proposed method performs well in finite samples. Empirically, we analyze daily stock returns for a balanced panel of S&P 500 stocks from January 2004 to December 2016. Through textual analysis, we examine specific events associated with the identified sparse factors that systematically influence the stock market. Our approach offers a new pathway for economists to study and understand the systematic risks of economic and financial systems over time.
• Abstract（参考訳）: 本稿では,新しいスパース漸近主成分分析(APCA)を用いたスパース潜在因子モデリング法を提案する。 このアプローチは、一般的な近似因子モデルフレームワーク内での時間的地平線上の大次元パネルデータシステムのコムーブメントを分析する。 スパース負荷行列を仮定するスパースPCAに基づく既存のスパース因子モデリング手法とは異なり、我々のスパースAPCAは、ファクタプロセスは時間水平線上でスパースであり、対応するロード行列はスパースではないと仮定する。 この発展は、市場要因への露出が一般的に普遍的で非スパースである場合、スパース負荷の仮定が金融リターンに適さないという観察によって動機づけられる。 そこで本研究では,第1のスパース因子過程を推定する停電電力法と,多要素ケースの逐次デフレ法を提案する。 さらに,新たなクロスセクション・クロスバリデーション手法を用いて,時間的地平線上でのリスク要因の空間性を特定するためのデータ駆動型手法を開発した。 理論的には、我々の推定器は穏やかな条件下で一貫していることが証明される。 モンテカルロシミュレーションは、提案手法が有限標本でうまく動作することを示した。 2004年1月から2016年12月までのS&P500種株価バランスパネルの日次リターンを実証的に分析した。 本研究はテキスト分析を通じて,市場を体系的に左右するスパース要因に関連する特定の事象について検討する。 我々のアプローチは、経済学者が経済・金融システムの体系的なリスクを時間とともに研究し理解する新たな道筋を提供する。

関連論文リスト

• Near-Optimal Learning and Planning in Separated Latent MDPs [70.88315649628251]
  我々は、潜在マルコフ決定過程(LMDP)の計算的および統計的側面について研究する。 このモデルでは、学習者は、未知のMDPの混合から各エポックの開始時に描画されたMDPと相互作用する。
  論文  参考訳（メタデータ） (2024-06-12T06:41:47Z)
• On Minimum Trace Factor Analysis -- An Old Song Sung to a New Tune [0.0]
  本稿では,1940年のリーダーマンの研究にさかのぼる根を持つ凸最適化法であるMTFA(Minimum Trace Factor Analysis)の緩和版を紹介する。 提案手法は,結果の低階部分空間の精度と,その行列を計算するアルゴリズムの収束率に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-02-04T12:15:56Z)
• Aggregation Weighting of Federated Learning via Generalization Bound Estimation [65.8630966842025]
  フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。 上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
  論文  参考訳（メタデータ） (2023-11-10T08:50:28Z)
• A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
  割引平均推定問題に対して最小値の最小値を求める。 マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-11T09:13:17Z)
• Distributionally Robust Model-Based Offline Reinforcement Learning with Near-Optimal Sample Complexity [39.886149789339335]
  オフライン強化学習は、積極的に探索することなく、履歴データから意思決定を行うことを学習することを目的としている。 環境の不確実性や変動性から,デプロイされた環境が,ヒストリデータセットの収集に使用される名目上のものから逸脱した場合でも,良好に機能するロバストなポリシーを学ぶことが重要である。 オフラインRLの分布的ロバストな定式化を考察し、有限水平および無限水平の両方でクルバック・リーブラー発散によって指定された不確実性セットを持つロバストマルコフ決定過程に着目する。
  論文  参考訳（メタデータ） (2022-08-11T11:55:31Z)
• Generative Principal Component Analysis [47.03792476688768]
  生成的モデリング仮定を用いた主成分分析の問題点を考察する。 鍵となる仮定は、基礎となる信号は、$k$次元の入力を持つ$L$-Lipschitz連続生成モデルの範囲に近いことである。 本稿では,2次推定器を提案し,検体数として$m$の次数$sqrtfracklog Lm$の統計率を示す。
  論文  参考訳（メタデータ） (2022-03-18T01:48:16Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Pessimistic Q-Learning for Offline Reinforcement Learning: Towards Optimal Sample Complexity [51.476337785345436]
  有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。 ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-28T15:39:36Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Prediction in latent factor regression: Adaptive PCR and beyond [2.9439848714137447]
  我々は、大きなクラスの予測子のリスクバウンドを確立するマスター定理を証明する。 主定理を用いて、最小ノルム補間予測器の既知のリスク境界を復元する。 理論的結果を裏付け,補完するための詳細なシミュレーション研究を締めくくった。
  論文  参考訳（メタデータ） (2020-07-20T12:42:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。