IDEAS主页打印自https://ideas.repec.org/p/arx/papers/1904.05931.html
  我的参考书目  保存此纸张

基于记忆的主成分分析中相关成分个数选择方法

作者

上市的：
  • 安舒尔·维玛
  • Pierpaolo Vivo公司
  • 蒂齐亚娜·迪·马特奥

摘要

我们提出了一种新的数据驱动方法来选择主成分分析（PCA）中相关成分的最佳数量。这种新方法适用于时间自相关函数衰减比指数慢的相关矩阵，从而产生长记忆效应。与文献中的其他可用方法相比，我们的程序不依赖于主观评估，并且计算成本低廉。基本思想是使用合适的因子模型来分析依次删除越来越多的组件后的剩余内存，并在保留的组件已达到最大内存量时停止该过程。我们在合成和实际财务数据上验证了我们的方法，并发现在所有情况下，都有一个明确且计算上优越的答案，完全符合可用的启发式标准，例如累积方差和交叉验证。

建议引用

  • Anshul Verma和Pierpaolo Vivo和Tiziana Di Matteo，2019年。"基于记忆的主成分分析中相关成分个数选择方法,"论文1904.05931，arXiv.org，2019年10月修订。
    • 手柄：RePEc:arx:论文：1904.05931
    作为

    从出版商下载全文

    文件URL: http://arxiv.org/pdf/1904.05931
    文件功能：最新版本
    下载限制：不
    ---><---

    引文

    引文由CitEc项目，订阅其RSS源用于此项目。
    作为


    引用人：

    1. Anshul Verma&Orazio Angelini&Tiziana Di Matteo，2019年。"一套新的集群驱动的综合发展指标,"论文1911.11226，arXiv.org，2020年3月修订。
    2. M.Raddant&T.Di Matteo，2023年。"从经济物理学和金融经济学角度看金融依赖,"经济互动与协调杂志，施普林格；具有异质相互作用的经济科学学会，第18卷（4），第701-734页，10月。

    有关此项目的更多信息

    NEP字段

    这篇论文已在下面宣布NEP报告:

    统计

    访问和下载统计

    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:arx:论文：1904.05931。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。

    有关此项目的技术问题，或更正其作者、标题、摘要、书目或下载信息，请联系：arXiv管理员（以下电子邮件可用）。供应商的一般联系方式：http://arxiv.org/.

    请注意，更正可能需要几周时间才能筛选出来各种RePEc服务。

    思想是一个经济学研究论文服务。RePEc使用各出版商提供的书目数据。