[논문 리뷰] Estimation and Inference for CP Tensor Factor Models

Bin Chen, Yuefeng Han외 1명|arXiv (Cornell University)|2024. 06. 25.

NMR spectroscopy and applications인용 수 4

한 줄 요약

이 논문은 CP 분해를 사용하여 고차원 텐서 요인 모형을 위한 새로운 반복적 동시 사영 추정 방법을 제안한다. 이 방법은 약한 의존성과 약한 차원 간 상관관계 조건 하에서 일致 추정과 점근 정규성을 보장한다. 시뮬레이션과 실증 적용에서 기존 방법들을 능가하며, 고유값 비율 기반 추정기들을 통해 요인 수의 일관성 추정을 가능하게 한다.

ABSTRACT

High-dimensional tensor-valued data have recently gained attention from researchers in economics and finance. We consider the estimation and inference of high-dimensional tensor factor models, where each dimension of the tensor diverges. Our focus is on a factor model that admits CP-type tensor decomposition, which allows for non-orthogonal loading vectors. Based on the contemporary covariance matrix, we propose an iterative simultaneous projection estimation method. Our estimator is robust to weak dependence among factors and weak correlation across different dimensions in the idiosyncratic shocks. We establish an inferential theory, demonstrating both consistency and asymptotic normality under relaxed assumptions. Within a unified framework, we consider two eigenvalue ratio-based estimators for the number of factors in a tensor factor model and justify their consistency. Simulation studies confirm the theoretical results and an empirical application to sorted portfolios reveals three important factors: a market factor, a long-short factor, and a volatility factor.

연구 동기 및 목표

• 발산하는 텐서 차원을 가진 고차원 텐서 요인 모형에 대해 강건한 추정 및 추론 프레임워크를 개발한다.
• 요인의 순차적 상관관계가 약하거나 없을 경우, 고전적 자기공분산 기반 방법의 한계를 극복하기 위해 현행 공분산 행렬을 사용한다.
• 약한 가정 하에서도 일관성, 수렴 속도, 점근 정규성 등의 점근 이론을 수립한다.
• 요인 수 선택을 위한 고유값 비율 기반 추정기를 텐서 요인 모형으로 확장하고, 그 일관성을 증명한다.
• 금융 및 국제 무역 분야의 실증 응용과 시뮬레이션을 통해 유한 표본에서의 뛰어난 성능을 입증한다.

제안 방법

• 자기공분산의 구조에 의존하지 않는 현행 공분산 행렬 기반의 반복적 동시 사영 추정 방법을 제안한다.
• 요소 수 추정을 위해 일반화된 고유값 비율 접근법을 사용하며, Ahn과 Horenstein(2013)의 방법을 텐서 데이터로 확장한다.
• 텐서 데이터의 저랭크 구조를 모형화하기 위해 정규직교가 아닌 로딩 벡터를 사용하는 CP 분해를 적용한다.
• 로딩 벡터를 추정하기 위해 사영 기반 반복 알고리즘을 활용하여 일관성과 점근 정규성을 보장한다.
• 이상치 충격의 약한 의존성과 약한 차원 간 상관관계 조건 하에서 수렴 속도와 점근 분포를 도출한다.
• 시뮬레이션 연구와 두 가지 실증 적용(정렬된 포트폴리오 및 국제 무역 유동)을 통해 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 약한 의존성과 약한 차원 간 상관관계 조건 하에서, 현행 공분산 기반 추정 방법이 발산하는 차원을 가진 고차원 텐서 요인 모형에서 일관성과 점근 정규성을 달성할 수 있는가?
• RQ2 제안된 반복적 사영 방법은 요인 간 약한 의존성과 이성적 오차의 약한 차원 간 상관관계 조건 하에서 어떻게 성능을 발휘하는가?
• RQ3 고유값 비율 기반 추정기는 텐서 요인 모형에서 요인 수를 일관성 있게 추정할 수 있는가?
• RQ4 유한 표본에서 제안된 방법은 기존 자기공분산 기반 또는 PCA 기반 방법보다 뛰어난 성능을 보이는가?
• RQ5 약한 모멘트 및 의존성 가정 하에서, 추정된 로딩 벡터의 점근 정규성에 대한 이론적 근거는 무엇인가?

주요 결과

• 제안된 반복적 사영 추정기는 약한 의존성과 약한 차원 간 상관관계 조건 하에서도 일관성과 점근 정규성을 확보한다.
• 요인 수 추정을 위한 고유값 비율 기반 추정기는 제안된 프레임워크 하에서 일관성 있는 성질을 보이며, 고전적 결과를 텐서 데이터로 확장한다.
• 시뮬레이션 결과는 제안된 방법이 AC-ISO 및 TPCA보다 추정 정확도에서 뛰어나며, 특히 요인 과정에서 중간에서 강한 순차적 상관관계가 존재할 경우에 유의미한 성능 향상을 보인다.
• 정렬된 포트폴리오 및 국제 무역 유동에 대한 실증 적용은 실제 응용 환경에서의 방법의 실용적 우수성을 입증한다.
• 이론적 분석은 로딩 벡터 추정 오차의 주요 항이 신호 강도와 요인 구조에 따라 달라지며, 적절한 스케일링 하에서 중심극한정리에 기반함을 확인한다.
• 요인의 순차적 상관관계가 약하거나 0일 경우 자기공분산 기반 방법이 실패할 수 있음에도 불구하고, 본 방법은 여전히 강건성을 유지한다.