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
- Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [56.92178753201331]
平均逆無限水平POMDPを未知の遷移モデルで扱う。
この障壁を克服する斬新でシンプルな推定器を提示する。
論文 参考訳(メタデータ) (2025-01-30T22:29:41Z) - When can weak latent factors be statistically inferred? [5.195669033269619]
本稿では、主成分分析(PCA)のための新しい包括的推定と推論理論を確立する。
我々の理論は断面次元$N$と時間次元$TT$の相対的な成長速度によらず適用可能である。
注目すべき技術的革新は、PCAベースの推定器のクローズドフォームの1次近似であり、様々な統計的テストの道を開くものである。
論文 参考訳(メタデータ) (2024-07-04T03:59:52Z) - Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。
最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。
我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
論文 参考訳(メタデータ) (2024-04-19T06:24:22Z) - Sparse PCA with Oracle Property [115.72363972222622]
新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。
我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
論文 参考訳(メタデータ) (2023-12-28T02:52:54Z) - Empirical Risk Minimization for Losses without Variance [26.30435936379624]
重み付けされた条件下では、データは有限分散を持たないが、$p in (1,2)$で$p$のモーメントしか持たない経験的リスク問題を考察する。
トランカットされた観測データに基づいて推定を行う代わりに,リスク値の最小化による最小化を選択する。
これらのリスク値は、顕著なカトニ法(Catoni, 2012)を用いて、頑健に推定できる。
論文 参考訳(メタデータ) (2023-09-07T16:14:00Z) - 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) - 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) - LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial
Attack [74.5144793386864]
LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。
LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
論文 参考訳(メタデータ) (2021-03-19T13:10:47Z) - Dimensionality reduction, regularization, and generalization in
overparameterized regressions [8.615625517708324]
主成分回帰(主成分回帰)としても知られるPCA-OLSは次元の減少によって回避できることを示す。
OLSは任意に敵の攻撃を受けやすいが,次元性低下はロバスト性を向上させることを示す。
その結果,プロジェクションがトレーニングデータに依存する手法は,トレーニングデータとは独立にプロジェクションが選択される手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-11-23T15:38:50Z) - 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。