Fugu-MT 論文翻訳(概要): Joint Estimation of Conditional Mean and Covariance for Unbalanced Panels

論文の概要: Joint Estimation of Conditional Mean and Covariance for Unbalanced Panels

arxiv url: http://arxiv.org/abs/2410.21858v1
Date: Tue, 29 Oct 2024 08:42:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-30 13:41:41.884629
Title: Joint Estimation of Conditional Mean and Covariance for Unbalanced Panels
Title（参考訳）: 不均衡パネルの条件平均と共分散の連成推定
Authors: Damir Filipovic, Paul Schneider,
Abstract要約: 本研究では,大きな不均衡パネルに対する断面条件平均と共分散行列の非パラメトリックカーネルベース推定器を提案する。一貫性を示し、有限サンプル保証を提供します。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We propose a novel nonparametric kernel-based estimator of cross-sectional conditional mean and covariance matrices for large unbalanced panels. We show its consistency and provide finite-sample guarantees. In an empirical application, we estimate conditional mean and covariance matrices for a large unbalanced panel of monthly stock excess returns given macroeconomic and firm-specific covariates from 1962 to 2021.The estimator performs well with respect to statistical measures. It is informative for empirical asset pricing, generating conditional mean-variance efficient portfolios with substantial out-of-sample Sharpe ratios far beyond equal-weighted benchmarks.
Abstract（参考訳）: 本研究では,大きな不均衡パネルに対する断面条件平均と共分散行列の非パラメトリックカーネルベース推定器を提案する。一貫性を示し、有限サンプル保証を提供します。経験的応用として,1962年から2021年までのマクロ経済・企業特化共変量による月次過剰リターンの非均衡パネルの条件平均と共分散行列を推定する。経験的資産価格では有益であり、条件付き平均分散効率の良いポートフォリオを生成し、サンプル外シャープ比は等重量ベンチマークをはるかに超えている。

関連論文リスト

Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文参考訳（メタデータ） (2024-07-01T20:44:48Z)
Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints [0.0]
各種のLedoit Shrinkage CovarianceおよびRobust Gerber CovarianceMatrixを用いた大容量ポートフォリオの性能評価を行った。堅牢性評価は、特に強気相場で、市場資本化の重み付けされたベンチマークポートフォリオを上回る可能性がある。我々は最適化アルゴリズムに教師なしクラスタリングアルゴリズムK平均を組み込んだ。
論文参考訳（メタデータ） (2024-06-02T03:50:20Z)
A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。頑健な推定器は効率的に計算可能で一貫したものであることを示す。合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
論文参考訳（メタデータ） (2024-05-30T15:01:18Z)
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)
Covariate balancing using the integral probability metric for causal inference [1.8899300124593648]
本稿では,2つの確率測度間の距離である積分確率測度(IPM)について検討する。モデルを正確に指定することなく,対応する推定器の整合性を証明した。提案手法は, 有限標本に対して, 既存の重み付け法よりも大きなマージンを有する。
論文参考訳（メタデータ） (2023-05-23T06:06:45Z)
Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage [1.0323063834827415]
我々は、標準のファームレベル因子を用いてリターン共分散行列を分解し、残差共分散行列のセクシャル制限を用いる。提案手法は,標準ベンチマークと比較して精度が向上し,最小分散ポートフォリオの推定精度が向上する。
論文参考訳（メタデータ） (2023-03-22T16:38:22Z)
A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。ブレグマン最小化の発散の観点から一般的な枠組みを開発する。我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文参考訳（メタデータ） (2021-12-07T01:23:20Z)
Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。特に,この手法が標準正規化の魅力的な代替となることを示す。
論文参考訳（メタデータ） (2021-04-12T18:50:11Z)
A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
論文参考訳（メタデータ） (2021-01-25T09:46:14Z)
Covariance Estimation for Matrix-valued Data [9.739753590548796]
本研究では,高次元行列データに対する分布自由正規化共分散推定法を提案する。我々は、バンド可能な共分散を推定するための統一的な枠組みを定式化し、ランク1の制約のないクロネッカー積近似に基づく効率的なアルゴリズムを導入する。格子状温度異常データセットとS&P 500ストックデータ解析によるシミュレーションと実応用を用いて,本手法の優れた有限サンプル性能を実証した。
論文参考訳（メタデータ） (2020-04-11T02:15:26Z)
GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。