کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7358273 1478573 2017 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Using principal component analysis to estimate a high dimensional factor model with high-frequency data
ترجمه فارسی عنوان
با استفاده از تجزیه و تحلیل مولفه اصلی برای برآورد یک مدل فاکتور با ابعاد بزرگ با داده های فرکانس بالا
ترجمه چکیده
این مقاله یک برآوردگر برای تعدادی از عوامل مشترک در محیط ایجاد می کند که هر دو فرکانس نمونه برداری و تعداد متغیرها افزایش می یابد. تجربی، ما مستند می کنیم که ماتریس کوواریانس یک مجموعه بزرگ از سهام ایالات متحده به خوبی با یک ساختار مشترک با رتبه پایین با ماتریس باقی مانده کمرنگ است. هنگامی که برای تخصیص نمونه کارهای غیر نمونه کار می کنید، برآوردگر پیشنهادی به طور کلی برآورد کننده کوواریانس نمونه بهتر عمل می کند.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات آمار و احتمال
چکیده انگلیسی
This paper constructs an estimator for the number of common factors in a setting where both the sampling frequency and the number of variables increase. Empirically, we document that the covariance matrix of a large portfolio of US equities is well represented by a low rank common structure with sparse residual matrix. When employed for out-of-sample portfolio allocation, the proposed estimator largely outperforms the sample covariance estimator.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Econometrics - Volume 201, Issue 2, December 2017, Pages 384-399
نویسندگان
, ,