多元建模基础（四）：降维技术

1 因子模型：

1）定义：

，并且有：

换言之，如果某随机变量的协方差矩阵可以表示为： ，那么X就会有一个因子模型

2）因子模型的例子：

等相关性矩阵模型：随机变量X的边际分布是标准边际分布且两两之间相关系数相等。则其协方差矩阵可以表示为，令，显然有1）中形式，用如下方法定义公共因子：

由此我们得到一个单因子模型，F均值为0，方差为1，并且这样的因子与误差项满足因子模型的所有假设。另外，当X服从高斯分布时，我们从方便的角度考虑会设Y也服从高斯分布，此时公共因子服从正态分布，误差向量服从正态分布，不同误差项之间独立，误差项，可以将X分量表示为如下形式：

,F与Z均为独立的标准高斯随机向量

2 统计估计策略：

本节主要讨论因子模型因子的分类

1）常用的因子模型：

宏观经济因子模型：

基本面因子模型：

统计因子模型：

 2）因子模型与系统性风险：

在一个较大的风险组合中，对风险影响更大的应当是系统性风险，而不是误差项，下面举例说明：

3）估计宏观经济因子模型：

有两种等价的方法：一元回归与多元回归

 

4）估计基本面因子模型：

5）主成分分析法：

谱分解定理

对X进行中心化与旋转变换：

其中

则第j个主成分为：

由此，可以得出Y的一些性质：

 各主成分的方差和等于样本分量方差和：

 将主成分作为因子：

 用样本估计主成分：

得到基于样本的因子模型：

注：这种方法推出的因子模型只是一个近似因子模型，并不具有误差项协方差矩阵为对角阵、误差项与因子不想关的性质