[论文解读] Modelling Large Dimensional Datasets with Markov Switching Factor Models

Matteo Barigozzi, Daniele Massacci|arXiv (Cornell University)|Oct 18, 2022

Complex Systems and Time Series Analysis被引用 5

一句话总结

本文提出了一种新颖的大维近似因子模型，其载荷受隐含的一阶马尔可夫过程驱动，呈现马尔可夫转移特征。该方法结合主成分分析（PCA）进行因子估计，并采用基于改进的 Baum-Lindgren-Hamilton-Kim 滤波器与平滑器的期望最大化（EM）算法，实现无需事先知晓真实因子数量的闭式估计，且在蒙特卡洛模拟与实际股票投资组合应用中展现出优异的有限样本性能与理论一致性。

ABSTRACT

We study a novel large dimensional approximate factor model with regime changes in the loadings driven by a latent first order Markov process. By exploiting the equivalent linear representation of the model, we first recover the latent factors by means of Principal Component Analysis. We then cast the model in state-space form, and we estimate loadings and transition probabilities through an EM algorithm based on a modified version of the Baum-Lindgren-Hamilton-Kim filter and smoother that makes use of the factors previously estimated. Our approach is appealing as it provides closed form expressions for all estimators. More importantly, it does not require knowledge of the true number of factors. We derive the theoretical properties of the proposed estimation procedure, and we show their good finite sample performance through a comprehensive set of Monte Carlo experiments. The empirical usefulness of our approach is illustrated through three applications to large U.S. datasets of stock returns, macroeconomic variables, and inflation indexes.

研究动机与目标

• 为解决现有文献在高维设定下对载荷中反复出现的制度转换缺乏建模的空白，提出一种新方法。
• 开发一种无需事先知晓真实因子数量即可估计因子、载荷与转移概率的方法。
• 为大维马尔可夫转移因子模型提供理论基础坚实且计算上可行的估计程序。
• 通过广泛的蒙特卡洛模拟与对股票收益的实际应用，验证该方法的稳健性与有限样本性能。

提出的方法

• 通过等价线性表示将模型转化为状态空间形式，从而利用主成分分析（PCA）实现因子恢复。
• 估计程序基于改进版的 Baum-Lindgren-Hamilton-Kim 滤波器与平滑器的期望最大化（EM）算法，其中整合了由 PCA 估计的因子。
• 该算法迭代更新状态概率、载荷与转移概率，确保所有估计量均具有闭式表达式。
• 该方法对因子维度未知具有鲁棒性，因其无需预先指定因子数量。
• 在标准正则性条件下，推导出估计量的理论性质，包括一致性与渐近正态性。
• 通过蒙特卡洛实验验证该方法，并应用于大规模股票投资组合以展示其经验相关性。

Figure 1: Expected log-likelihood

实验结果

研究问题

• RQ1 当因子数量未知时，能否一致估计具有马尔可夫转移载荷的大维因子模型？
• RQ2 与替代方法相比，所提出的基于 EM 的估计程序结合改进滤波器与平滑器在有限样本中的表现如何？
• RQ3 载荷中的制度转换对高维金融数据中因子估计与预测精度有何影响？
• RQ4 当真实因子数量事先未知时，该方法在多大程度上仍保持稳健？
• RQ5 该模型在不同市场制度下，对股票投资组合中时变风险与收益联动性的捕捉能力如何？

主要发现

• 所提出的估计程序可在无需知晓真实因子数量的前提下，一致估计因子、载荷与转移概率。
• 该方法为所有估计量提供了闭式表达式，显著提升了计算效率与可解释性。
• 蒙特卡洛实验结果证实了良好的有限样本性能，随着样本量增加，估计量趋近于真实值。
• 在对大规模投资组合的实际应用中，模型成功捕捉到了股票收益联动性中的制度转换。
• 理论结果在标准正则性条件下建立了估计量的渐近正态性与一致性。
• 改进的 Baum-Lindgren-Hamilton-Kim 滤波器与平滑器可实现高维设定下准确的状态概率估计。

Figure 2: Estimated conditional probabilities $\widehat{\bm{\xi}}_{t|T}$ .