高维面板数据因子模型：理论、方法与应用

随着大数据时代的到来 ，社会经济现象中的海量数 据处理面临很多问题，一方 面需要从数据中寻找社会经 济现象的共同变化规律，另 一方面还需要对高维数据进 行降维。因子分析方法恰好 能做到这两点。因此，在大 型数据集处理中因子模型被 广泛使用。为了与宏观和行 业因子模型区别开来，这里 统计的因子是指需要通过统 计方法进行估计的潜在因子 。潜在因子的统计分析主要 采用因子模型实现，如果与 其他统计模型相结合，能够 形成各种类型的统计因子模 型。 本书从因子模型的理论 基础入手，结合面板数据进 行分析，阐述几种常见的因 子模型的基本形式并结合应 用予以推广；着重介绍因子 模型的设定、估计和应用； 提出三种新的高维面板数据 因子模型：高维面板数据动 态混合双因子模型、高维受 限因变量面板数据因子模型 、高维面板数据因子随机波 动模型。分别介绍了三种模 型的基本类型设定以及估计 方法，并将其应用于解决经 济金融领域的实际问题。这 几类模型虽然构造形式各异 ，但是都有各自的应用场合 。其中的大多数方法在实践 中都可以结合统计软件予以 实现。因子模型的应用领域 包括经济学、金融学、社会 学、消费者行为研究，等等 。

第一章 绪论 第一节 本书研究内容 一、动态混合双因子模型（DMDFM） 二、离散面板数据动态因子模型（DPDFM） 三、面板数据因子随机波动模型（Factor PDSVM或PFSVM） 第二节 结构安排 第三节 本书创新点 一、拓宽了高维面板数据降维的思路 二、针对不同的面板数据类型构建与之对应的动态因子模型 三、提供了几种不同模型的估计方法并对每种方法进行了改进 四、从理论上对各个模型的估计结果的有关统计性质进行了证明 五、明确了相应模型的适用领域并对某些模型进行了应用研究 第二章 因子模型形式拓展 第一节 因子模型的一般形式 第二节 宏观因子模型 一、单因子模型 二、多因子模型 第三节 行业因子模型 一、BARRA因子模型 二、Fama-French因子模型 第四节 统计因子模型 一、主成分法 二、极大似然法 第五节 动态因子模型 一、动态因子模型和静态因子模型 二、严格（精确）动态因子模型 三、近似动态因子模型 四、广义动态因子模型 五、滞后公因子模型 第六节 多因子模型在互联网金融市场的应用 第三章 高维面板数据降维与因子模型估计 第一节 高维面板数据降维和变量选择方法 第二节 高维因子模型建模策略 第三节 动态因子模型的设定与估计方法 第四节 面板数据因子模型的贝叶斯推断 第四章 高维面板数据动态混合双因子模型 第一节 引言 第二节 面板数据动态混合双因子模型 一、面板数据因子模型 二、面板数据动态混合双因子模型 三、动态混合双因子模型的特例 第三节 模型的识别和假设 第四节 模型估计 一、因子分解与因子个数的选择 二、估计过程 三、估计结果 四、理论性质及其证明 第五节 数值模拟 第六节 本章小结 第五章 高维离散面板数据动态因子模型