高维因子模型在超高维度的大型数据集降维处理中发挥了重要作用。目前,高维因子模型有两种主成分估计方法,分别是基于协方差的主成分估计PCE和基于滞后自协方差的主成分估计LPCE。本文以S & P 500公司股票数据的高维因子建模为例,...高维因子模型在超高维度的大型数据集降维处理中发挥了重要作用。目前,高维因子模型有两种主成分估计方法,分别是基于协方差的主成分估计PCE和基于滞后自协方差的主成分估计LPCE。本文以S & P 500公司股票数据的高维因子建模为例,比较了PCE和LPCE在高维股票数据降维中的实际表现,其中因子个数通过信息准则法和特征值比值估计法确定。结果表明,在高维非平稳序列因子模型中,PCE的均方根误差和预测误差都比LPCE小,PCE得到的因子也比LPCE更能捕捉高维非平稳序列变化特征。在高维平稳序列因子模型中,PCE和LPCE的估计误差相同,两者的估计因子均能还原高维平稳序列的变化特征。此外,在确定因子个数时,信息准则倾向于高估因子个数,表现出严重的过拟合。特征值比值估计法的估计结果相对更准确和稳定,在PCE中倾向于放弃相对弱势的主成分,在LPCE中则倾向于将弱势的主成分视为因子。展开更多
自改革开放以来,中国经济经历了快速增长,已经成为亚洲第一、世界第二的综合经济体。然而,在世界经济下行、国际形势多变、国内改革经历阵痛的多重背景下,中国宏观经济数据通常呈现出结构突变特征,且不同部门的宏观经济变量具有较强的...自改革开放以来,中国经济经历了快速增长,已经成为亚洲第一、世界第二的综合经济体。然而,在世界经济下行、国际形势多变、国内改革经历阵痛的多重背景下,中国宏观经济数据通常呈现出结构突变特征,且不同部门的宏观经济变量具有较强的联动特征。了解中国宏观经济中的结构突变现象,对于政府部门更好地认知世界经济的运行风险和不确定性,完善宏观经济调控体系,推动宏观经济总体稳定、高质量发展具有重要作用。鉴于此,本文利用含有多个未知结构突变的因子模型对中国23个宏观经济时间序列进行建模,并进一步借鉴Ma and Tu(2023a)中的估计方法对宏观经济数据中的结构突变现象进行分析。结果表明,中国宏观经济数据在1990—2022年一共经历了6次结构突变,其发生的时间点与重大的历史事件紧密相关,例如邓小平南方谈话和党的十四大召开、2003年“非典”疫情、2020年新冠疫情等。此外,与目前研究中国宏观经济结构突变的文献相比,本文得益于因子模型的构造和精准的变点估计方法,能够识别出宏观经济系统中更多的结构变点,更好地刻画中国宏观经济的动态发展。展开更多
文摘高维因子模型在超高维度的大型数据集降维处理中发挥了重要作用。目前,高维因子模型有两种主成分估计方法,分别是基于协方差的主成分估计PCE和基于滞后自协方差的主成分估计LPCE。本文以S & P 500公司股票数据的高维因子建模为例,比较了PCE和LPCE在高维股票数据降维中的实际表现,其中因子个数通过信息准则法和特征值比值估计法确定。结果表明,在高维非平稳序列因子模型中,PCE的均方根误差和预测误差都比LPCE小,PCE得到的因子也比LPCE更能捕捉高维非平稳序列变化特征。在高维平稳序列因子模型中,PCE和LPCE的估计误差相同,两者的估计因子均能还原高维平稳序列的变化特征。此外,在确定因子个数时,信息准则倾向于高估因子个数,表现出严重的过拟合。特征值比值估计法的估计结果相对更准确和稳定,在PCE中倾向于放弃相对弱势的主成分,在LPCE中则倾向于将弱势的主成分视为因子。
文摘自改革开放以来,中国经济经历了快速增长,已经成为亚洲第一、世界第二的综合经济体。然而,在世界经济下行、国际形势多变、国内改革经历阵痛的多重背景下,中国宏观经济数据通常呈现出结构突变特征,且不同部门的宏观经济变量具有较强的联动特征。了解中国宏观经济中的结构突变现象,对于政府部门更好地认知世界经济的运行风险和不确定性,完善宏观经济调控体系,推动宏观经济总体稳定、高质量发展具有重要作用。鉴于此,本文利用含有多个未知结构突变的因子模型对中国23个宏观经济时间序列进行建模,并进一步借鉴Ma and Tu(2023a)中的估计方法对宏观经济数据中的结构突变现象进行分析。结果表明,中国宏观经济数据在1990—2022年一共经历了6次结构突变,其发生的时间点与重大的历史事件紧密相关,例如邓小平南方谈话和党的十四大召开、2003年“非典”疫情、2020年新冠疫情等。此外,与目前研究中国宏观经济结构突变的文献相比,本文得益于因子模型的构造和精准的变点估计方法,能够识别出宏观经济系统中更多的结构变点,更好地刻画中国宏观经济的动态发展。
