作者
摘要
本文介绍了一种基于高维面板数据和分组因子结构对大量金融时间序列进行聚类的新方法。该方法基于对可观察因素和不可观察因素结构的敏感性，试图捕捉每个时间序列的相似程度。该方法考虑了可观察因素和不可观察因素之间的相关性，也考虑了金融市场常见的误差结构中的横截面和序列相关性以及异方差。此外，还建立了该过程的理论性质。我们应用该方法分析了来自100多个金融市场的6000多只国际股票的收益。实证分析量化了美国次贷危机波及全球金融市场的程度。此外，我们发现基于上市市场、行业、国家或地区的名义分类不足以描述全球金融市场的异质性。本文的补充材料可在线获取。
建议引用
安藤富弘和白居山，2017年。"大量金融时间序列的聚类：一种具有高维预测和因子结构的面板数据方法,"美国统计协会杂志《泰勒和弗朗西斯杂志》，第112卷（519），第1182-1198页，7月。手柄：RePEc:taf:jnlasa:v:112:y:2017:i:519:p:1182-1198
DOI:10.1080/016214519.2016.1195743
从出版商下载全文
由于此文档的访问受到限制，您可能希望搜索换一个不同的版本。
更正
本网站上的所有材料均由各自的出版商和作者提供。你可以帮助纠正错误和遗漏。请求更正时，请提及此项目的句柄：RePEc:taf:jnlasa:v:112:年：2017年：i：519年：p：1182-1198年。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目，但尚未在RePEc注册，我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格。
如果你知道引用这一条的缺失条目，你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者，您可能还需要检查您的RePEc作者服务个人资料，因为可能有一些引文等待确认。
有关本项目的技术问题，或更正作者、标题、摘要、书目或下载信息，请联系：Chris Longhurst（以下电子邮件可用）。供应商的一般联系方式：http://www.tandfonline.com/UASA20。
请注意，更正可能需要几周时间才能筛选出来各种RePEc服务。
