[论文解读] Estimation and Inference for CP Tensor Factor Models

Bin Chen, Yuefeng Han+1 more|arXiv (Cornell University)|Jun 25, 2024

NMR spectroscopy and applications被引用 4

一句话总结

该论文提出了一种新颖的迭代同时投影估计方法，用于使用CP分解的高维张量因子模型，在弱依赖性和弱跨维相关性条件下实现一致估计和渐近正态性。该方法在模拟和实证应用中均优于现有方法，并通过基于特征值比的估计器一致估计因子数量。

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.

研究动机与目标

• 开发适用于张量维度发散的高维张量因子模型的稳健估计与推断框架。
• 通过使用当代协方差矩阵，克服基于自协方差方法的局限性，尤其在因子序列相关性弱或不存在时表现更优。
• 在放宽假设条件下建立渐近理论——包括一致性、收敛速度和渐近正态性。
• 将基于特征值比的因子数量选择方法扩展至张量因子模型，并证明其一致性。
• 通过模拟和金融、国际贸易等实际应用，展示该方法在有限样本下的优越性能。

提出的方法

• 基于当代协方差矩阵，提出一种迭代同时投影估计方法，避免依赖自协方差结构。
• 采用广义特征值比方法估计潜在因子数量，将Ahm和Horenstein（2013）的方法扩展至张量数据。
• 采用非正交载荷向量的CP分解，以建模张量数据的低秩结构。
• 应用基于投影的迭代算法估计载荷向量，确保一致性和渐近正态性。
• 在扰动项弱依赖性和弱跨维相关性条件下，推导收敛速度和极限分布。
• 通过模拟研究和两个实证应用（分组投资组合与国际贸易流量）验证该方法。

实验结果

研究问题

• RQ1 基于当代协方差的估计方法是否能在张量维度发散的高维张量因子模型中实现一致性和渐近正态性？
• RQ2 在因子间弱依赖性和扰动项跨维弱相关性条件下，所提出的迭代投影方法表现如何？
• RQ3 基于特征值比的估计器能否在张量因子模型中一致估计因子数量？
• RQ4 在有限样本中，该方法是否优于现有的基于自协方差或主成分分析的方法？
• RQ5 在放宽矩和依赖性假设的条件下，估计载荷向量渐近正态性的理论依据是什么？

主要发现

• 所提出的迭代投影估计器在放宽假设条件下（包括弱依赖性和弱跨维相关性）实现了具有一致性和渐近正态性。
• 在所提出的框架下，基于特征值比的因子数量估计器具有一致性，将经典结果扩展至张量数据。
• 模拟结果表明，该方法在估计精度上优于AC-ISO和TPCA，尤其在因子过程存在中等到强序列相关性时表现更优。
• 在分组投资组合和国际贸易流量的实证应用中，展示了该方法在真实场景下的实际优势。
• 理论分析确认，载荷向量估计误差的主导项取决于信号强度和因子结构，并在适当缩放下获得中心极限定理的理论支持。
• 当自协方差方法因因子弱相关或无序列相关而失效时，该方法仍保持稳健性。