基于自正则化 DFT 谱得分的大型因子模型载荷空间不稳定性在线监测
Online Monitoring of Loading-Space Instability in Large Factor Models via Self-Normalized DFT Spectral Scores
发布时间：
本工作论文研究大型近似因子模型中因子载荷不稳定性的实时检测。其动机来自一个实际问题：在一段干净的第一阶段（Phase I）训练窗口上估计因子模型之后，新到达的数据从何时起不再与已训练的载荷空间保持一致？ 若载荷空间发生漂移，基于 PCA 的因子提取可能受到污染，并悄然降低预测／即时预测（nowcasting）及监测系统的表现。
我们的方法将每个新的面板观测投影到冻结的（第一阶段）载荷空间上，转化为一条 DFT 谱得分曲线。随后，通过低频网格向量化或频域函数型主成分分析将曲线映射为固定维度的实值得分向量，并对这些得分运行 CUSUM（累积和）型序贯监测器。
一项关键贡献是利用自正则化使序贯校准少调参且稳健——避免了对带宽敏感的长期方差估计，以及在较短监测期内可能十分脆弱的自助法校准。
概述与贡献
我们提出两种自正则化傅里叶谱得分监测器，用于因子载荷空间的在线变点检测：
- SSMS：Shao 型二次型自正则化序贯统计量。
- RSMS：调整值域自正则化序贯统计量，采用部分和值域正则化因子，对轻度的训练窗口污染更具韧性。
对于两种监测器，我们均给出：
- KS 型（Kolmogorov–Smirnov）与 CvM 型（Cramér–von Mises）停止规则，
- 枢轴（pivotal）原假设极限与功效性质，
- 通过模拟极限布朗运动泛函得到的可直接使用的临界值。
实证与模拟证据
在突变、平滑、异质及错时载荷变化下的蒙特卡洛实验表明，自正则化在误报控制上远比 HAC 型学生化稳定，后者在短监测期内可能严重过度拒绝。在自正则化方法族内部：
- 对于 KS 型规则，RSMS 改善了晚期断点检测并缩短了条件检测延迟。
- 对于 CvM 型规则，SSMS 配合后期加权可在检验水平与功效之间取得较好的折中。
进一步的实验表明，当第一阶段训练窗口受到轻度污染时，调整值域自正则化依然更具韧性。
利用 FHFA 大都市区房价指数面板的实证示例在 2005 年第一季度（2005Q1）发出警报，警报后的分析揭示了因子暴露在大都市区层面的异质性变化。
获取方式
出于版权考虑，本网站不提供论文全文。