A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set
本文提出了一种基于几何方法的分布鲁棒协方差估计器，通过优化分歧度量来实现收缩估计，具有高效计算和渐近一致性。
2025-11-23 cs.LG math.OC stat.ML
Multi Anchor Point Shrinkage for the Sample Covariance Matrix (Extended Version)
面对有限的样本量，投资组合经理必须使用因子模型来估计高维收益向量的协方差矩阵。对于最简单的单因素市场模型，成功取决于估计的领先特征向量“beta”的质量。当只观察到收益本身时，从业者可以获得等于样本协方差矩阵的前导特征向量的“PCA”估计。这个估计器在很多方面表现不佳。为了解决这个问题，在高维，有限的样本量渐近制度和估计最小方差投资组合的背景下，戈德堡，Papanicolau和Shkolnik开发了一种收缩方法（“GPS估计”），通过将其缩小到一个恒定的目标单位向量来改进β的PCA估计。在本文中，我们继续他们的工作，开发一个更一般的框架收缩目标，允许从业者利用进一步的信息，以改善估计。例子包括股票贝塔的部门分离，以及来自先前估计的最新信息。我们证明了一些精确的陈述，并通过一些数值实验说明了由此产生的相对于GPS估计器的改进。
2021-09-11 math.ST q-fin.CP stat.TH
Optimal Shrinkage of Eigenvalues in the Spiked Covariance Model
我们发现，在一个常见的高维协方差模型中，损失函数的选择对最优估计有着深远的影响。在一个渐近框架的基础上的尖峰协方差模型和使用正交不变估计，我们表明，最佳估计的人口协方差阵归结为一个最佳收缩$η$，作用于样本特征值的elementwise设计。事实上，每个损失函数对应于一个唯一的容许特征值收缩器$η^*$支配所有其他收缩器。最优收缩器的形状由损失函数的选择决定，并且关键地由样本协方差阵的特征值和特征向量的不一致性决定。详细的这些现象和封闭形式的最佳特征值收缩公式制定了一个动物园的26个损失函数的协方差估计发现在文献中，包括Stein，熵，发散，Frechet，Bhattacharya/Matusita，Frobenius范数，算子范数，核范数和条件数损失。
2017-06-04 math.ST stat.TH
Shrinkage Algorithms for MMSE Covariance Estimation
我们解决的协方差估计的意义下，最小均方误差（MMSE）的高斯样本。具体来说，我们考虑收缩的方法，这是适合于高维问题的样本数量少（大p小n）。首先，我们改进的Ledoit-Wolf（LW）方法的条件下，充分统计量。通过Rao-Blackwell定理，这产生了一个新的估计称为RBLW，其均方误差优于高斯变量的LW。其次，为了进一步减少估计误差，我们提出了一种迭代的方法，近似千里眼收缩估计。这种迭代方法的收敛性的建立和封闭形式的表达式的限制，这是被称为Oracle逼近收缩（OAS）估计。RBLW和OAS估计器都具有简单的表达式，并且易于实现。虽然这两种方法是从不同的角度发展起来的，但它们的结构在特定的常数下是相同的。RBLW估计证明优于LW方法。数值模拟表明，OAS的方法可以执行甚至比RBLW更好，特别是当n远小于p。我们还证明了这些技术的自适应波束形成的背景下的性能。
2009-07-27 stat.CO stat.ME
Driver Identification and PCA Augmented Selection Shrinkage Framework for Nordic System Price Forecasting
本文提出结合K-means、MSTD、SARIMA和PCA的系统框架识别北欧系统价格驱动因素，并通过多预测选择收缩算法优化组合预测，以较低计算成本超越TFT等先进方法。
2025-09-23 econ.EM math.ST stat.TH
Symmetry-Aware Convex Shrinkage for High-Dimensional Covariance Estimation
Darwin Deason Institute for Cyber Security（达尔文迪森网络安全研究所）
本文提出了一种数据自适应的收缩估计器，用于高维协方差估计，通过在有限对称群下使用雷诺德投影作为收缩目标，并结合结构化目标和自适应凸收缩方法，提高了估计精度。
2026-06-09 cs.IT eess.SP math.IT
Mens: Nonlinear shrinkage estimation in nonparanormal models for financial applications
Persian Gulf University（波斯湾大学）；Ferdowsi University of Mashhad（马什哈德费尔多西大学）
研究针对非正态模型开发非线性收缩协方差估计理论，提出无边际非线性收缩估计器MENS，给出其经验谱分布收敛律及渐近最优性，建立尖峰相变，通过模拟和回测验证其优势，兼具稳健性与效率，对高维配置决策有实用价值。
2026-07-23 math.ST stat.ME stat.TH
Physics-Informed Singular-Value Learning for Cross-Covariances Forecasting in Financial Markets
Université Paris-Saclay, CentraleSupélec, Mathématiques et Informatique pour la Complexité et les Systèmes（巴黎-萨克雷大学，CentraleSupélec，复杂性与系统数学与计算机科学）；Università degli Studi di Palermo, Dipartimento di Fisica e Chimica "Emilio Segrè"（巴勒莫大学，Emilio Segrè物理与化学系）
本文提出了一种结合随机矩阵理论和机器学习的神经网络架构，用于改进金融市场交叉协方差预测的鲁棒性。
2026-08-04 cs.LG q-fin.ST stat.ML
Spectrum Estimation: A Unified Framework for Covariance Matrix Estimation and PCA in Large Dimensions
协方差阵估计和主成分分析（PCA）是多元分析的两大基石。当数据的维数与样本量相似或更大时，经典的教科书解决方案的性能很差。在这种情况下，有一个共同的补救措施，这两个统计问题：非线性收缩的特征值的样本协方差阵。最佳非线性收缩公式取决于未知的人口数量，因此不可用。然而，有可能一致地估计一个甲骨文的非线性收缩，这是出于渐近的理由。为此，一个关键的工具是一致的估计的一组特征值的人口协方差阵（也称为频谱），一个有趣的和具有挑战性的问题本身。大量的Monte Carlo模拟表明，我们的方法具有理想的有限样本特性，优于以前的建议。
2014-06-23 math.ST stat.OT stat.TH
Matrix Means and a Novel High-Dimensional Shrinkage Phenomenon
许多统计设置要求基于矩阵样本估计总体参数，最典型的是总体均值。总体平均值的最自然估计是算术平均，但还有许多其他矩阵平均值可能表现不同，特别是在高维中。这里我们考虑矩阵调和平均作为算术矩阵平均的替代。我们表明，在某些高维制度，调和平均产生的估计误差的改善，由运营商的范数测量的算术平均。反直观地，研究这两个矩阵的渐近行为的尖峰协方差估计问题，我们发现，这种改善运营商的范数误差并不意味着更好地恢复领先的特征向量。我们还表明，一个Rao-Blackwellized版本的调和平均值是等价于一个线性收缩估计先前研究的高维协方差估计文献，而应用类似的Rao-Blackwellization正则化样本协方差阵产生一个新的非线性收缩估计。模拟补充的理论结果，说明条件下，谐波矩阵平均值产生一个经验更好的估计。
2021-07-15 math.PR math.ST stat.TH
Optimal Eigenvalue Shrinkage in the Semicircle Limit
本文研究了非比例增长渐近框架下的尖峰协方差模型，针对15种损失函数推导出封闭形式的最优特征值收缩与阈值化规则，并基于spiked Wigner模型提出统一框架实现渐近最优性。
2023-07-30 math.ST stat.TH
Matrix Denoising with Partial Noise Statistics: Optimal Singular Value Shrinkage of Spiked F-Matrices
针对未知协方差噪声下的低秩矩阵估计，提出利用纯噪声侧信息的 WSC 工作流，并推导尖峰 F 矩阵的渐近最优闭式奇异值收缩。
2023-07-15 cs.IT eess.SP math.IT
Forecasting wind power - Modeling periodic and non-linear effects under conditional heteroscedasticity
在这篇文章中，我们提出了一种方法，使联合风速和风力发电场的预测。本文将多变量季节时变门限自回归滑动平均（TVARMA）模型与幂门限广义自回归条件异方差（Power-TGSTAR）模型相结合。建模框架采用周期B样条、条件异方差和具有非线性影响的复杂自回归结构进行日周期和年周期建模。与通常耗时的似然估计方法相比，我们采用了高维收缩技术。我们利用迭代重新加权最小绝对收缩和选择算子（套索）技术。它允许条件异方差，提供快速的计算时间，并保证一个简约和正则化的规范，即使参数空间可能是巨大的。我们能够证明，我们的方法可以在涡轮机特定水平上提供准确的风力预测，预测范围长达48小时（中短期预测）。
2016-06-02 stat.AP stat.CO stat.ML
Random Matrix Derived Shrinkage of Spectral Precision Matrices
关于实值协方差阵的收缩方法，已有很多研究。在$p$ -向量值时间序列的谱分析中，通常也需要好的收缩方法，特别是当复值谱矩阵是奇异的时。利用Rao-Blackwell估计量改进了谱矩阵的Ledoit-Wolf（LW）协方差阵估计量的等价形式，并利用随机矩阵理论导出了它的形式.这样的估计器也可以用来更好地估计逆谱（精度）矩阵，并且先前已经提出了随机矩阵方法，并通过广泛的模拟来实现。我们描述的方法，但进行计算完全分析，并建议一种方法来选择一个重要的参数，使用预测风险的方法。我们表明，无论是劳-布莱克威尔估计和随机矩阵估计的精度矩阵可以大大优于逆的LW估计在时间序列设置。我们的新方法被应用到EEG派生的时间序列数据，它被认为是工作良好，并提供实质性的改进，精度矩阵估计。
2014-11-26 math.ST stat.TH
The Local Ledoit-Peche Law
Ledoit和Peche证明了随机协方差矩阵的预解式的某些函数的收敛性;我们称之为Ledoit-Peche定律。他们的结果的一个重要应用是收缩协方差估计相对于所谓的最小方差（MV）损失，讨论了在工作的Ledoit和沃尔夫。我们提供了一个基本上最佳的收敛速率，并假设它是收缩类内的最小可能的过量MV损失率。
2023-02-27 math.ST stat.TH
Multivariate Probabilistic Time Series Forecasting with Correlated Errors
McGill University（麦吉尔大学）
本文提出一种即插即用方法，通过低秩加对角参数化与独立潜在时间过程建模多步误差协方差，以校准预测，提升RNN和Transformer概率模型的准确性与不确定性量化。
2024-11-07 cs.LG stat.ML
Optimal spectral shrinkage and PCA with heteroscedastic noise
研究了带异方差噪声的加标协方差模型的预测、协方差估计和主成分分析等相关问题。我们认为白化噪声的基础上的主成分的估计，我们得到最佳的奇异值和特征值收缩与这些估计的主成分。这些方法的基础是异方差噪声的高维尖峰模型的新的渐近结果，和相关的人口参数的相合估计量。我们扩展了以前的分析样本外的预测与白化预测的设置。我们证明了噪声白化的某些优点。具体来说，我们表明，在一定的渐近制度，最佳奇异值收缩与白化收敛到最好的线性预测，而没有白化它收敛到一个次优的线性预测。我们证明，对于通用信号，白化提高了主成分的估计，并增加了自然的观测信噪比。我们还表明，对于秩一信号，我们估计的主成分达到渐近极小极大率。
2020-09-16 math.ST stat.OT stat.TH
Forecasting High-Dimensional Covariance Matrices of Asset Returns with Hybrid GARCH-LSTMs
Université Paris-Dauphine - PSL（巴黎第九大学（巴黎多菲纳大学）- PSL）；Sorbonne Université（索邦大学）
一些学者研究了混合模型的能力，混合单变量广义自回归条件异方差（GARCH）模型和神经网络提供更好的波动性预测比纯粹的计量经济模型。尽管提出了非常有前途的结果，这种模型的推广到多变量的情况下，还有待研究。此外，很少有论文研究神经网络预测资产收益协方差矩阵的能力，并且所有论文都使用了相当少量的资产，因此没有解决所谓的维数灾难。本文的目的是研究混合模型，混合Gestival过程和神经网络，预测资产收益率的协方差矩阵的能力。为此，我们提出了一个新的模型，基于多变量GARCH分解波动性和相关性预测。波动率在这里使用混合神经网络预测，而相关性遵循传统的计量经济学过程。在最小方差投资组合框架下实现模型后，我们的结果如下。首先，添加Gestival参数作为输入对所提出的模型是有益的。其次，使用one-hot-encoding来帮助神经网络区分每只股票，提高了性能。第三，提出的新模型是非常有前途的，因为它不仅优于同等权重的投资组合，而且还通过一个显着的利润率的计量经济学对应，使用单变量GARCH预测波动率。
2021-08-25 cs.LG q-fin.ST
Feature aware covariance estimation, with application to mixtures of chemical exposures
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）；Nicholas School of the Environment, Duke University（杜克大学尼古拉环境学院）；Department of Statistical Science, Duke University（杜克大学统计科学系）
本文旨在改进环境暴露间协变推断，通过利用特征意识的贝叶斯因子分析扩展进行协方差回归，以更灵活地处理协方差结构，减少过度收缩问题。
2026-05-18 stat.AP stat.ME
A Proximal Distance Algorithm for Likelihood-Based Sparse Covariance Estimation
本文讨论的任务，估计协方差阵下的无模式稀疏性假设。与现有的基于阈值或收缩惩罚的方法相比，我们提出了一种基于似然的方法，该方法将协方差估计到对称稀疏集的距离正则化。该公式避免了由更常见的范数惩罚引起的不必要的收缩，并通过求解一系列光滑，无约束的子问题来优化所得到的非凸目标。这些子问题的产生和解决，通过最近距离版本的优化最小化原则。由此产生的算法执行迅速，优雅地处理设置的参数的数量超过的情况下，产生一个正定的解决方案，并享有理想的收敛性能。从经验上讲，我们证明了我们的方法优于竞争方法的几个指标在一套模拟实验。它的优点说明了一个国际移民数据集和一个经典的案例研究流式细胞术。我们的研究结果表明，细胞信号数据的边缘和条件依赖网络比以前得出的结论更相似。
2021-09-09 stat.ME
Bayesian DAG Structure Learning with Simultaneous Shrinkage Covariance Estimation under Scale-Mixture Error Distributions in the Proportional High-Dimensional Regime
Ferdowsi University of Mashhad（马什哈德 Ferdowsi 大学）；North Carolina Agricultural and Technical State University（北卡罗来纳农业与技术州立大学）
该研究针对高维比例渐近情形，提出鲁棒DAG - 乔列斯基马蹄铁框架，通过特定先验和逆伽马尺度混合实现DAG结构学习与精度矩阵估计，设计吉布斯采样器，模拟和实际数据应用均显示其优于其他方法。
2026-07-10 stat.ME
Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting
University of Minnesota（明尼苏达大学）；Polytechnique Montreal（蒙特利尔理工学院）；McGill University（麦吉尔大学）
本文提出了一种可扩展的动态混合模型，利用全协方差建模时间变化的交通预测误差分布，提升预测性能并提供可解释的时空相关结构。
2025-04-08 cs.LG
Hierarchical Time Series Forecasting with Robust Reconciliation
Department of Industrial Engineering and Economics（工业工程与经济学系）；Institute of Science（科学研究所）；Tokyo（东京）
本文提出了一种鲁棒优化框架，用于分层时间序列预测中的不确定性调整，以提升预测性能。
2026-02-05 cs.LG
SEA-ViT: Sea Surface Currents Forecasting Using Vision Transformer and GRU-Based Spatio-Temporal Covariance Modeling
Chulalongkorn University（朱拉隆功大学）；MARS (Motor AI Recognition Solution)（MARS（汽车AI识别解决方案））
本文提出SEA-ViT模型，结合Vision Transformer与双向GRU处理高频雷达数据，并引入30年数据及ENSO指数，有效预测泰国湾等海域的海面流，支持GISTDA的海洋工作。
2024-09-26 cs.LG physics.ao-ph
Lasso estimation for GEFCom2014 probabilistic electric load forecasting
我们提出了一种基于套索（最小绝对收缩和选择算子）估计的概率负荷预测方法。所考虑的模型可以看作是一个二元时变门限自回归（AR）过程的小时电力负荷和温度。联合建模方法直接将温度效应，并反映每日，每周和每年的季节性模式和公众假期的影响。我们提供了两个实证研究，一个基于2014年全球能源预测竞赛（GEFCom 2014-L）的概率负荷预测轨道，另一个基于最近的另一个概率负荷预测竞赛，该竞赛遵循类似于GEFCom 2014-L的设置。在这两个实证案例研究中，所提出的方法优于GEFCom 2014-L的前八个条目中的两个基于多重线性回归的基准。
2016-03-04 stat.AP stat.ML
A Nodewise Regression Approach to Estimating Large Portfolios
本文研究了高维投资组合的方差、权重和风险的大样本性质，其中超额资产收益率的协方差阵的逆矩阵是用一种称为逐点回归的方法估计的。逐节点回归使用Tibshirani（1994）的最小绝对收缩和选择算子（Lasso）为逆协方差阵提供直接估计器，以估计稀疏精度矩阵的项。我们证明了全局极小值方差投资组合和Markowitz均值-方差投资组合的方差、权重和风险在资产比观测值多的情况下是一致估计的。我们表明，经验，nodewise回归为基础的方法相比，因子模型和收缩方法表现良好。
2019-10-15 math.ST stat.TH
Sparse Bayesian time-varying covariance estimation in many dimensions
我们通过对潜在的时变随机因素对时间序列向量的潜在协波动动态进行建模，解决了动态协方差估计中的维数灾难问题。对因子载荷矩阵的元素使用全局-局部收缩先验将多余因子上的载荷拉向零。为了证明所提出的框架的优点，该模型被应用到模拟数据，以及每日日志回报的300个标准普尔500指数的成员。我们的方法产生精确的相关性估计，较强的隐含最小方差投资组合的性能和卓越的预测精度的日志预测得分相比，典型的基准。
2017-11-11 econ.EM q-fin.PM stat.AP
GraphSPME: Markov Precision Matrix Estimation and Asymptotic Stein-Type Shrinkage
GraphSPME是一个开源的Python、R和C++头文件包，实现了非参数稀疏精度矩阵估计以及协方差阵的渐近Stein型收缩估计。用户定义一个潜在的邻域结构，并提供可能是p >> n的数据。本文介绍了一种新的方法来寻找最佳顺序（数据允许估计）的潜在马尔可夫性。该算法在包中实现，缓解了用户作出马尔可夫假设和实现相应的复杂高阶邻域结构的问题。通过同时利用马尔可夫性和斯坦型收缩率，使估计准确和稳定。Stein型收缩的渐近结果确保了非奇异良好条件矩阵的自动获得。最终对称转换创建对称正定估计。此外，通过利用马尔可夫假设下精度矩阵的稀疏性，估计例程变得高效且可扩展到非常高维的问题（~10^7）。在实现方面，稀疏性是通过使用Eigen C++线性代数库提供的稀疏性可能性来利用的。该软件包和示例可在https://github.com/equinor/GraphSPME上获得
2022-05-16 stat.CO
Feature Optimization for Time Series Forecasting via Novel Randomized Uphill Climbing
Nguyen Van Thanh
本文提出将随机上坡攀登推广为与模型无关的多元时间序列特征优化框架，通过语法随机组合、廉价代理评分和嵌套交叉验证过滤不稳定性，实现更快迭代、更低能耗和更强可解释性。
2025-05-02 cs.LG cs.PF
From HL to H+L-1 Parameters: A Hankel-Toeplitz Forecaster for Long-Term Time Series Forecasting
Indiana University Bloomington（印第安纳大学伯明顿分校）
本文提出Hankel-Toeplitz预测器（HTF），利用经典平稳预测理论实现参数共享，仅用H+L-1个参数在七个基准上达到与Dense Linear相当精度，参数减少75-229倍。
2026-09-29 cs.LG
A Shrinkage Principle for Heavy-Tailed Data: High-Dimensional Robust Low-Rank Matrix Recovery
本文介绍了一个简单的原则，通过适当的收缩数据的强大的高维统计推断。这拓宽了高维技术的范围，将矩条件从次指数或次高斯分布减少到仅仅是有界的二阶或四阶矩。作为这一原则的一个例子，我们专注于稳健估计的低秩矩阵$Θ^*$从跟踪回归模型$Y=Tr (Θ^{*T}X) +ε$。它包括四个流行的问题：稀疏线性模型，压缩感知，矩阵完成和多任务回归。我们建议应用惩罚最小二乘法适当截断或收缩的数据。在响应仅满足有界$2+δ$矩条件下，所提出的鲁棒方法得到的估计量具有与以往文献相同的统计差错率.对于稀疏线性模型和多任务回归，我们进一步允许设计仅具有有界四阶矩，并再次通过适当收缩设计矩阵获得相同的统计率。作为副产品，当随机样本只有有界四阶矩时，我们给出了一个稳健的协方差阵估计，并建立了它在谱范数意义下的集中不等式。已经进行了大量的模拟来支持我们的理论。
2017-05-04 math.ST stat.ME stat.TH
Eigengap Sparsity for Covariance Parsimony
Université Côte d’Azur（蔚蓝海岸大学）；Inria（法国国家数字与人工智能研究院）
本文提出基于特征间隙稀疏性的协方差简洁性方法，通过投影梯度下降在单调锥上求解，将协方差简洁性与收缩方法联系起来。
2025-07-11 stat.ME
Ridge Estimation of Inverse Covariance Matrices from High-Dimensional Data
本文研究了高维情形下精度矩阵的岭估计，其中变量个数相对于样本量较大。我们首先回顾了两个原型岭估计，并指出，他们利用的罚款不符合共同岭处罚。随后，从一个共同的岭惩罚，解析表达式推导出两个可选的岭估计精度矩阵。的替代估计相比，关于特征值收缩和风险的原型。在图形建模的背景下，替代品也比较图形套索。的比较可能会有理由更喜欢拟议的替代估计。
2015-09-24 stat.ME
Covariance estimation for multivariate conditionally Gaussian dynamic linear models
在多变量时间序列中，观测新息的协方差阵的估计在预测中起着重要的作用，因为它使得能够计算标准化的预测误差向量，以及它使得能够计算预测的置信界限。我们开发了一个在线的，非迭代贝叶斯算法的估计和预测。实验结果表明，对于一定范围的模拟时间序列，所提出的协方差估计器具有良好的性能收敛到未知观测协方差阵的真值。在一个模拟的时间序列，新的方法近似正确的估计，产生的非序贯蒙特卡罗模拟程序，这是在这里使用的黄金标准。特殊的，但重要的，向量自回归（VAR）和随时间变化的VAR模型说明考虑伦敦金属交易所的数据组成的现货价格的铝，铜，铅和锌。
2008-02-01 stat.AP stat.ME
Asymptotics of empirical eigenvalues for large separable covariance matrices
研究了一类非独立高斯过程（可分离且时间平稳）的样本协方差阵在Kolmogorov渐近条件下特征值的渐近性.限制谱分布（LSD）被证明是明确地依赖于柯尔莫哥洛夫常数（一个固定的限制比的样本量的维数）和参数表示的空间和时间的相关性。由自由调和分析得到的柯西变换、M变换和N变换在LSD计算中起着关键作用。对于空间协方差阵为对角占优Wigner矩阵，时间协方差阵为指数非对角衰减（Toeplitz）矩阵，利用自由随机变量的自由乘法律给出了LSD的半封闭形式（只有最后一步是数值计算）.此外，我们还推导出一个非线性收缩估计的顶部特征值与低秩矩阵（厄米）从其噪声测量。数值研究的估计的有效性。
2019-10-10 cs.IT math.IT math.PR
On the Strong Convergence of the Optimal Linear Shrinkage Estimator for Large Dimensional Covariance Matrix
在这项工作中，我们构造了一个最佳的线性收缩估计的协方差阵在高维。随机矩阵理论的最新结果使我们能够找到最优收缩强度的渐近确定性等价物，并一致地估计它们。对于协方差阵，所得到的无分布估计在所有线性收缩估计中几乎必然服从最小Frobenius损失。我们考虑的情况包括变量数$p\rightarrow\infty$和样本量$n\rightarrow\infty$，因此$p/n\rightarrow c\in (0, +\infty)$。此外，我们证明了样本协方差阵的Frobenius范数几乎必然趋于一个确定的量，可以一致估计。
2014-06-25 math.PR math.ST q-fin.ST
Non-linear shrinkage of the price return covariance matrix is far from optimal for portfolio optimisation
投资组合优化需要能够滤除估计噪声的复杂协方差估计器。非线性收缩是一种流行的估计器，它基于如何仅使用校准窗口中的数据计算Oracle特征值。与通常的看法相反，NLS对于投资组合优化不是最优的，因为当资产依赖结构是非平稳的时，NLS不能最小化正确的成本函数。相反，我们得出最佳目标。使用历史数据，我们量化了NLS可以改进的程度。我们的研究结果重新打开了如何建立协方差矩阵估计的投资组合优化在现实条件下的问题。
2022-10-13 math.OC q-fin.PM q-fin.ST
Covariance matrix filtering and portfolio optimisation: the Average Oracle vs Non-Linear Shrinkage and all the variants of DCC-NLS
本文通过大规模随机实验比较 Average Oracle 与各类 DCC+NLS 协方差过滤方法，证明前者凭借更低杠杆、集中度和换手率取得更高夏普比率。
2023-09-29 q-fin.ST
Error Propagation in Spectral Functionals of Shrinkage Covariance Estimators: Perturbation Bounds and Calibrated Inference
Chalmers University of Technology（查尔姆斯理工大学）
研究收缩协方差估计器谱泛函中的误差传播，通过推导特征子空间的零律、利用无分布方法校准测试等，证明尺度不变标量泛函的免疫性，给出高维无偏估计器，经模拟验证，用于总体未知时的诊断。
2026-07-08 math.ST q-fin.ST stat.CO
Ledoit-Wolf linear shrinkage with unknown mean
本文在均值未知的 Kolmogorov 渐近框架下，将 Ledoit-Wolf 线性收缩估计推广到平移不变估计量，证明其收敛性质，并提出一个在实验中优于标准方法的新估计量。
2025-03-11 math.ST q-fin.ST stat.ME
End-to-End Neural Shrinkage of Indefinite Pairwise Correlation Matrices for Small-Cap-Inclusive Portfolios
Université Paris-Saclay（巴黎-萨克雷大学）；CentraleSupélec（中央高等电力学院）
本研究针对含小盘股投资组合的不定成对相关矩阵问题，提出端到端神经收缩方法，经模拟验证可显著降低波动率、提升夏普比率，且效果稳健。
2026-09-01 cs.LG q-fin.PM q-fin.ST
Optimal Linear Shrinkage Estimator for Large Dimensional Precision Matrix
本文针对高维精度矩阵估计问题，基于随机矩阵理论构造了免分布的最优线性收缩估计量，直接估计精度矩阵而无需对协方差矩阵求逆，并证明其几乎必然达到最小 Frobenius 损失，模拟实验显示该方法在非正态数据下仍具有显著改进和稳健性。
2014-03-25 math.PR math.ST q-fin.ST
Holdout cross-validation for large non-Gaussian covariance matrix estimation using Weingarten calculus
本文推导了非高斯旋转不变噪声模型下留出交叉验证的期望Frobenius误差，利用Weingarten calculus和Ledoit-Péché公式求得oracle特征值，发现最优训练-测试比例与矩阵维度的平方根成正比，且二次近似显著提升了误差估计精度。
2025-09-17 math.ST q-fin.RM q-fin.ST
