本书在结合前人已有研究的基础上，基于混频因子模型方法，通过更高频率数据的使用使得模型中包含更多的历史信息以及增加因子个数以提高对收益率的解释能力两种途径，力图解决高阶矩估计面临的“维数灾难”问题，同时进一步提高高阶矩投资组合的表现。

大量研究已经表明，在投资者偏好为非二次和（或）资产收益率非正态条件下基于均值-方差模型构建的投资组合权重往往不是很优，因而会存在较为严重的福利损失，基于高阶矩建模及其投资组合优化研究已经得到了国内外学者的广泛关注。本书在结合前人已有研究的基础上，基于混频因子模型方法，通过更高频率数据的使用使得模型中包含更多的历史信息以及增加因子个数提高对收益率的解释能力两种途径，力图解决高阶矩估计面临的“维数灾难”问题，同时进一步提高高阶矩投资组合的表现。

1绪论/1
1.1选题背景与问题提出/1
1.2研究目的和研究意义/5
1.3研究内容与结构安排/7
1.4主要创新点/9
2国内外研究现状/12
2.1混频模型建模研究现状/13
2.2因子模型建模研究现状/18
2.3很优因子个数识别研究现状/24
2.4高阶矩及其投资组合研究现状/27
3基于混频因子模型的高阶矩建模及其估计方法/35
3.1高阶矩的张量表达方法/36
3.2混频多因子高阶矩模型/41
3.3混频多因子模型高阶矩投资组合优化/52
3.4其他高阶矩估计方法简介/55
3.5本章小结/60
4基于混频因子模型的高阶矩很优因子个数识别研究/62
4.1高阶矩矩阵稀疏性检验/63
4.2混频因子模型高阶矩因子个数识别检验/72
4.3混频因子模型很优因子个数筛选策略/74
4.4数据处理与说明/75
4.5蒙特卡洛模拟研究/76
4.6不同高阶矩很优因子个数识别方法的模拟比较/122
4.7本章小结/128
5中国股票市场的混频多因子模型高阶矩投资组合研究/130
5.1研究背景/130
5.2基于统计意义的混频多因子高阶矩建模的实证研究/132
5.3混频多因子高阶矩建模的经济价值评价/149
5.4本章小结/165
6结论与研究展望/168
6.1主要结论/168
6.2研究展望/172
参考文献/174
附录因子模型框架下高阶矩矩阵分解/195