因子模型中可行的加权投影主成分分析及其在债券风险溢价中的应用

我提出了一种可行的加权投影主成分（FPPC）分析方法，用于处理可观测特征部分解释潜在因子的因子模型。这一新方法提供了比现有方法更有效、更准确的估计量。为了提高估计效率，我通过使用逆误差协方差矩阵的一致估计量作为权重矩阵，同时考虑了横截面相关性和异方差性。为了提高准确性，我采用了一种利用特征的投影方法，因为它能去除高维因子分析中的噪声成分。通过使用FPPC方法，因子和载荷的估计量比传统因子分析的估计量具有更快的收敛速度。此外，我提出了一个基于FPPC的扩散指数预测模型。我得到了参数估计的极限分布和预测误差的收敛速度。利用美国债券市场和宏观经济数据，我证明了所提出的模型优于基于传统主成分估计量的模型。我还表明，在预测超额债券收益方面，所提出的模型在一大批机器学习技术中表现良好。