高维因子模型与近似因子结构的检验.docxVIP

高维因子模型与近似因子结构的检验

一、引言

随着信息技术的发展，各个研究领域可获取的数据维度快速提升，宏观经济监测、金融资产定价、基因组关联分析、社会网络分析等场景中，涉及的变量数量往往达到数百甚至数千量级，高维数据的分析需求持续增长。传统的低维统计方法在处理这类数据时往往面临维度诅咒问题，无法有效提取高维变量中的核心规律，而高维因子模型通过将高维变量的波动分解为公共驱动部分和异质性扰动部分，能够实现数据的有效降维，已经成为高维数据分析领域应用最广泛的工具之一。早在数十年前，已有学者指出，传统因子模型秉持的严格因子结构假设对异质性扰动的截面独立性要求过于严苛，难以匹配真实高维数据中普遍存在的局部关联特征，据此提出的近似因子结构为高维因子模型的现实应用铺平了道路（ChamberlainRothschild，1983）。随着大样本统计理论的发展，面向截面维度与时间维度同时扩张场景的高维因子模型估计方法逐步成熟，研究者无需对数据分布做出严格的参数假设，即可通过主成分方法实现公共因子与因子载荷的一致估计，大幅降低了高维因子模型的应用门槛（Bai，2003）。但需要注意的是，高维因子模型所有良好的大样本性质，都建立在数据生成过程满足近似因子结构的前提之上，如果忽略对这一前提的检验，盲目套用模型开展估计、预测与因果推断，很可能得到有偏甚至完全错误的结论。本文将从高维因子模型与近似因子结构的