[논문 리뷰] Large-dimensional Factor Analysis without Moment Constraints

Yong He, Xinbing Kong외 2명|arXiv (Cornell University)|2019. 08. 14.

Spatial and Panel Data Analysis참고 문헌 25인용 수 4

한 줄 요약

이 논문은 순간 제약 조건 없이 고차원 데이터에 대해 안정적인 이중 단계 요인 분석 방법을 제안한다. 요인 공간 추정에 공간 켄달의 타우 행렬을 사용하고, 요인 스코어 추정에 OLS 회귀를 적용한다. 타원 분포 하에서, 무거운 尾를 가진 데이터에서도 요인 하중, 스코어, 공통 성분의 일致 추정이 가능하며, 수렴 속도가 명시되어 있고 전통적 PCA에 비해 유한 표본 성능이 뛰어나다.

ABSTRACT

Large-dimensional factor model has drawn much attention in the big-data era, in order to reduce the dimensionality and extract underlying features using a few latent common factors. Conventional methods for estimating the factor model typically requires finite fourth moment of the data, which ignores the effect of heavy-tailedness and thus may result in unrobust or even inconsistent estimation of the factor space and common components. In this paper, we propose to recover the factor space by performing principal component analysis to the spatial Kendall's tau matrix instead of the sample covariance matrix. In a second step, we estimate the factor scores by the ordinary least square (OLS) regression. Theoretically, we show that under the elliptical distribution framework the factor loadings and scores as well as the common components can be estimated consistently without any moment constraint. The convergence rates of the estimated factor loadings, scores and common components are provided. The finite sample performance of the proposed procedure is assessed through thorough simulations. An analysis of a financial data set of asset returns shows the superiority of the proposed method over the classical PCA method.

연구 동기 및 목표

• 무거운 尾를 가진 데이터에서 전통적 요인 분석 방법이 제대로 작동하지 않는 문제를 해결하기 위해, 유한한 네 번째 모멘트 가정에 의존하는 방법의 문제점을 해결한다.
• 금융 및 유전체학에서 흔한 무거운 尾 행동을 보이는 데이터에서도 일관되고 안정적인 요인 추정 절차를 개발한다.
• 요인과 개별 오차에 대한 순간 제약 조건을 제거하면서도 요인 하중, 스코어, 공통 성분의 추정 일관성을 유지한다.
• 고차원 설정에서 전통적 PCA 및 OLS 기반 요인 모델에 대한 이론적으로 탄탄한 안정적인 대안을 제공한다.

제안 방법

• 표본 공분산 행렬 대신 공간 켄달의 타우 행렬에 대한 주성분 분석(PCA)을 수행하여 요인 공간을 추정한다.
• 공간 켄달의 타우 행렬은 타원 분포 하에서 산란 행렬의 고유공간을 유지하므로, 중앙 꼬리에 대한 안정성을 확보한다.
• 첫 번째 단계에서 추정된 요인 하중을 바탕으로 두 번째 단계에서 일반 최소 제곱법(OLS) 회귀를 적용하여 요인 스코어를 추정한다.
• 타원 분포의 투영 성질을 활용하여, 정규 직교 변환까지의 일관성을 보장한다.
• 타원 요인 모델 프레임워크 하에서 추정된 요인 하중, 스코어, 공통 성분의 수렴 속도를 확립한다.
• 코시-슈바르츠 부등식 및 고유분해의 점근적 성질과 같은 이론적 도구를 사용하여 일관성과 수렴 속도를 증명한다.

실험 결과

연구 질문

• RQ1 네 번째 모멘트가 존재하지 않는 경우에도 무거운 尾를 가진 데이터에서 요인 공간 추정이 일관성 있게 유지될 수 있는가?
• RQ2 표본 공분산 행렬 대신 공간 켄달의 타우 행렬을 사용할 경우, 고차원 요인 모델에서 안정적인 요인 하중과 스코어를 얻을 수 있는가?
• RQ3 순간 제약 조건 없이 타원 요인 모델 하에서 추정된 요인 하중, 스코어, 공통 성분의 수렴 속도는 무엇인가?
• RQ4 무거운 尾 분포 하에서 유한 표본에서 제안된 이중 단계 안정 절차가 전통적 PCA에 비해 어떻게 성능을 냈는가?
• RQ5 요인과 개별 오차에 대해 유한한 순간을 가정하지 않고도 공통 성분의 일관된 추정이 가능할 수 있는가?

주요 결과

• 제안된 안정적인 이중 단계(RTS) 절차는 데이터에 대한 순간 제약 조건 없이 타원 요인 모델 하에서 요인 하중과 스코어의 일관된 추정을 달성한다.
• 추정된 요인 하중의 수렴 속도는 $ O_p(1/n + 1/p^2) $이며, 요인 스코어의 수렴 속도는 $ O_p(1/n^2 + 1/p) $로, 강력한 유한 표본 성능을 보여준다.
• 공통 성분은 $ O_p(1/n + 1/p) $의 수렴 속도로 일관되게 추정되며, 이는 방법의 안정성과 타당성을 확인한다.
• 시뮬레이션 결과, RTS 방법은 중앙 꼬리가 두꺼운 t-분포 오차 하에서 편향과 분산 측면에서 전통적 PCA보다 뚜렷이 뛰어난 성능을 보였다.
• 금융 자산 수익률에 대한 실증 분석 결과, RTS 방법은 실제 무거운 尾 데이터 환경에서 PCA보다 뛰어난 성능을 보였다.
• 이론적 증명을 통해 $ \widehat{\mathbf{H}}^\top \mathbf{V} \widehat{\mathbf{H}} \overset{p}{\rightarrow} \mathbf{I}_m $임을 입증하여 추정 프레임워크 내 정규 직교 변환의 일관성을 검증하였다.