在1986年和1988年的两篇论文中,Connor和Korajczyk提出了一种建模资产收益的方法。由于这些时间序列通常具有比时间段观察更多的资产,因此他们建议对资产收益的横截面协方差执行PCA。他们称此方法为渐近主成分分析(APCA,这很令人困惑,因为听众立即想到PCA的渐近性质)。
我已经计算出方程,这两种方法在数值上似乎是等效的。渐近性当然是不同的,因为证明了收敛是而不是。我的问题是:有人使用过APCA并将其与PCA相比吗?有具体的区别吗?如果是这样,哪个?
在1986年和1988年的两篇论文中,Connor和Korajczyk提出了一种建模资产收益的方法。由于这些时间序列通常具有比时间段观察更多的资产,因此他们建议对资产收益的横截面协方差执行PCA。他们称此方法为渐近主成分分析(APCA,这很令人困惑,因为听众立即想到PCA的渐近性质)。
我已经计算出方程,这两种方法在数值上似乎是等效的。渐近性当然是不同的,因为证明了收敛是而不是。我的问题是:有人使用过APCA并将其与PCA相比吗?有具体的区别吗?如果是这样,哪个?
Answers:
绝对没有区别。
标准PCA与C&K建议的“渐近PCA”之间绝对没有区别。给它起一个单独的名字是很荒谬的。
这是PCA的简短说明。如果将具有行样本的居中数据存储在数据矩阵,则PCA将寻找协方差矩阵特征向量,并将数据投影在这些矩阵上特征向量以获得主成分。等效地,可以考虑一个Gram矩阵。显而易见,它具有完全相同的特征值,并且其特征向量是可缩放的PC。(当样本数少于要素数时,这很方便。)
在我看来,C&K提出的建议是计算Gram矩阵的特征向量,以便计算主成分。好吧,哇。这与PCA不“等效”;它是 PCA。
更令人困惑的是,“渐近PCA”这个名称似乎是指其与因子分析(FA)的关系,而不是PCA!C&K的原始论文在付费专区之下,因此以下引自Tsay(《金融时间序列分析》),可在Google图书中找到:
Connor和Korajczyk(1988)指出,[个特征数量] [特征矩阵的强特征值-特征向量分析]等同于传统的统计因子分析。
这实际上意味着,当,PCA提供与FA相同的解决方案。这是有关PCA和FA的易于理解的事实,与C&K提出的建议无关。我在以下线程中讨论了它:
因此,底线是:C&K决定为标准PCA(也可以称为“渐近FA”)创造术语“渐近PCA”。我会建议不要使用此术语。
通常,当序列很多但样本很少时,会使用APCA。由于您提到的等效性,我不会说APCA比PCA更好或更差。但是,它们的适用时间有所不同。这就是本文的真知灼见:如果更方便,您可以翻转尺寸!因此,在您提到的应用程序中,有很多资产,因此需要很长的时间序列才能计算协方差矩阵,但是现在您可以使用APCA。就是说,我不认为APCA会经常使用,因为您可以尝试使用其他技术(例如因子分析)来降低维度。