1. Why this paper exists

In a CAPM or Fama-French world, "how many factors?" is decided by theory. In an approximate factor model with latent factors (Chamberlain & Rothschild 1983) the analyst chooses $K$ from data. Pre-2002 this was either ad-hoc (scree plot, eigenvalue threshold) or formally inconsistent (standard AIC/BIC don't work when both panel dimensions grow).

Bai & Ng's contribution is a family of penalised criteria consistently selecting the true $K$ as $N, T \to \infty$ jointly.

1.5. Background — what's an "approximate factor model"?

The paper assumes you know this term. Worth pinning down. Asset-pricing models come in three flavours of increasing realism:

(1) One-factor / CAPM-style

One observed factor (market return), constant loading $\beta_i$ per stock, constant intercept $\alpha_i$. Classical assumption: $\varepsilon_{it}$ is i.i.d. across stocks and over time — noise covariance $\text{Cov}(\varepsilon)$ is a diagonal matrix, every stock's idiosyncratic shock independent of every other's.

(2) Multi-factor (Fama-French and descendants)

$K$ observed factors (market, size, value, momentum, profitability, …). Still assumes $\varepsilon_{it}$ are cross-sectionally uncorrelated — factors are supposed to capture all the comovement.

Clean on the chalkboard. Doesn't survive real data: even after controlling for FF5, residuals across stocks remain correlated — sector-specific news, supply-chain shocks, fund-flow effects all leak through.

(3) Approximate factor model (Chamberlain & Rothschild 1983) — what Bai-Ng uses

Same equation form, but the noise assumption is relaxed:

• $e_{it}$ is allowed to have weak cross-sectional and serial correlation — sector spillovers OK, mild persistence OK.
• Formal condition: the largest eigenvalue of the $N \times N$ noise covariance matrix $\text{Cov}(e_t)$ stays bounded as $N$ grows.
• Meanwhile, the factor part $\lambda_i' F_t$ has variance that grows with $N$ — the top-$K$ eigenvalues of the factor-driven covariance scale linearly in $N$.

The word "approximate" refers to this relaxation. Ross's "exact" APT (1976) demanded uncorrelated $e_{it}$; Chamberlain-Rothschild's "approximate" version allows weak correlation but draws the line at the eigenvalue-scaling gap above.

Vocabulary that follows

What Bai-Ng adds

Given this setup, Bai-Ng (2002) asks: how do we choose $K$ from data? Pre-2002, methods were either ad-hoc (scree plot — visual eyeballing of where eigenvalues "elbow") or used standard AIC/BIC criteria that don't have the right asymptotic behaviour when both $N$ and $T$ grow. Bai-Ng give the first consistent criteria for this exact regime.

1.6. Unpacking the basics — what those terms actually mean

§1.5 still relies on terms (covariance matrix, eigenvalue, AIC/BIC, "consistent") that need their own ground-up explanation. Here is each, with finance-concrete examples.

(a) "Noise covariance $\text{Cov}(\varepsilon)$ is a diagonal matrix" — what does that actually say?

A covariance matrix for $N$ stocks' noise terms is an $N \times N$ grid:

• The diagonal entry $(i, i)$ = stock $i$'s own variance — size of its idiosyncratic noise.
• The off-diagonal entry $(i, j)$ = covariance between stock $i$'s noise and stock $j$'s noise — how much they move together after factors are stripped out.

A diagonal matrix has all off-diagonals = 0 — no two stocks' noises are correlated. Strong claim.

Finance intuition. Are Toyota's and Sony's company-specific shocks truly independent? In real data, no — JPY-USD moves, BoJ policy, global business cycle leak through as "factor-residual" effects. Diagonal breaks. Chamberlain-Rothschild relaxed: no factor-strength correlation, but weak residual correlation is fine.

(b) "Largest eigenvalue bounded vs. linearly scaling in $N$" — what's an eigenvalue and why does the scaling matter?

An eigenvalue of a covariance matrix measures the magnitude of one principal axis of variation. The largest = "how big is the dominant direction of movement".

• Eigenvalues of $\text{Cov}(\lambda_i' F_t)$ → magnitudes of the $K$ axes the factors drive.
• Eigenvalues of $\text{Cov}(e_t)$ → magnitudes of the residual directions.

Why one grows and the other doesn't.

• Add a stock. It loads on the same factors as everyone else. One more vector in the same direction → variance in the factor direction grows by ~1. After $N$ stocks, factor eigenvalue ≈ $N$. Linear in $N$.
• Add a stock. Its noise is ~independent. Noise doesn't pile in any one direction. Each noise eigenvalue stays at one-stock scale. Bounded.

Consequence. The gap between factor and noise eigenvalues grows with $N$. With 10 stocks, can't tell. With 5,000 stocks, top factor eigenvalue is hundreds of times larger. This gap is the PCA-and-eigenvalue-ratio identification source.

A concrete worked example

Simplest case. Each stock has $\beta_i = 1$, $\text{Var}(F_t) = 1$, $\text{Var}(e_{it}) = 1$, with independent noises across stocks.

The return covariance matrix:

— $N \times N$ with 2 on the diagonal, 1 off-diagonal.

Eigenvalues:

• Top: $N + 1$. Direction = the all-ones vector. Factor part contributes $\mathbf{1}'\mathbf{1} = N$; noise adds 1.
• Remaining $N - 1$: each = 1. Noise-only directions.

The ratio grows linearly with $N$. CRSP-scale (~5,000 US stocks) is exactly where this makes PCA work.

The mathematical heart

Stock $i$ loading on factor with coefficient $\beta_i$ contributes $\beta_i^2 \cdot \text{Var}(F)$ to the factor-direction variance. Sum across $N$ stocks:

If $\beta_i$ are bounded away from zero on average, this sum grows like $N$. Adding up $N$ positive numbers — not magic.

Independent noises across stocks can't be summed in any one direction — each lives in its own dimension. Each noise eigenvalue stays bounded at ~$\text{Var}(e)$ regardless of $N$.

Picture

                ★ ← Factor (top) eigenvalue — grows with N
   eigenvalue   ★
       ↑       ★
               ★
       |       ★
       |       ●  ●  ●  ●  ●  ●  ●  ●  ●  ●  ←  Noise eigenvalues — flat
       |       ●  ●  ●  ●  ●  ●  ●  ●  ●  ●
       +───────────────────────────────→  N  (universe size)
                K = 1 factor → 1 tower visible.

As $N$ grows, the factor "tower" stretches upward while the noise "floor" stays flat. With $K=3$ true factors, there are 3 towers above the floor. The eigenvalue-ratio selector $\hat K$ picks the rank where the jump from tower to floor happens — that's the whole BN / Onatski / CRW story.

Plain-language analogy

$N$ pairs of binoculars all pointing approximately north, each with random jitter → the aggregate line of sight is firmly north, and confidence grows with $N$. That's a factor.

$N$ children doing random unrelated dance moves → no aggregate direction emerges. That's noise.

Factor models work because stocks in a real panel are more like the binoculars than the children.

(c) Vocabulary fleshed out with examples

Strong factor. Market beta. Every stock loads positively. $N$ grows → loadings stack → eigenvalue scales linearly.

Weak factor. 2024 AI-CapEx niche theme. Meaningful for ~50 stocks, ~zero for the other ~4,950. Even at large $N$, eigenvalue stays small. Standard PCA can confuse it with noise.

Common component $\lambda_i' F_t$. Of Toyota's 3% return: market +0.5%, size +0.3%, value −0.1% → 0.7% common.

Idiosyncratic component $e_{it}$. Remaining 2.3% — Toyota-specific news. Not assumed independent of Honda/Nissan; same-industry residual correlation is allowed.

Large-$N$, large-$T$ asymptotics. "Both panel dimensions big enough that asymptotic theorems apply". CRSP US: $N \approx 5{,}000$, $T \approx 700$ — both large. J-Quants JP: $N \approx 4{,}000$, $T \approx 200$ — both large. "S&P 500 over 5 years" ($N = 500$, $T = 60$) is too small for asymptotics.

(d) Why Bai-Ng was needed — what scree plot and AIC/BIC don't do

Scree plot. Chart of eigenvalues in descending order. Eyeball the "elbow" → $\hat K$.

eigenvalue
 ↑
 |  *
 |   *
 |    *  ← elbow at K=3
 |     ·  ·  ·  ·  ·  ·
 |
 +─────────→ rank

Problem: subjective. Two analysts can disagree on $K=3$ vs $K=5$. No reproducibility, no formal test.

AIC / BIC. Standard time-series model-selection: error + penalty × parameter-count.

Problem: derived for "$N$ fixed, $T \to \infty$" or fully-parametric. Factor models grow both $N$ and $T$ and tolerate weakly-correlated residuals. Standard penalty rates don't match the asymptotic behaviour of $V(k)$ here. Result: standard AIC/BIC over- or under-selects — not consistent.

"Consistent" criterion. Statistical term: as $N, T \to \infty$, $\Pr(\hat K = K) \to 1$. Bai-Ng (2002) give the first criteria provably satisfying this in the approximate-factor regime. Their innovation: introduce a new rate condition — penalty must shrink slower than $\min(N,T)^{-1}$ — and design $\text{PC}_p$ / $\text{IC}_p$ families to satisfy it. The rest of the paper (the six formulas in §3) makes this concrete.

2. The model

This is an approximate factor model — $e_{it}$ does not need to be i.i.d., just well-behaved. The true $K$ is unknown.

3. The key trick — penalised criteria

3.1 The problem — fit always improves as you add factors

After §1.5 / §1.6 you know what an approximate factor model is. Now the operational question: given data, how do you find $K$?

Natural first idea: try $k = 0, 1, 2, \dots$ candidate factor counts, see which fits best. "Fit" here is measured by the residual sum of squares per observation, call it $V(k)$:

For each candidate $k$: fit PCA with $k$ factors → get loadings $\hat\lambda_i^k$ and factor estimates $\hat F^k_t$ → compute the average squared difference between actual data and fitted values.

What does $V(k)$ look like as $k$ grows?

So $V(k)$ monotonically decreases as $k$ grows. If you minimised $V(k)$ alone, you'd always pick $k = k_{\max}$ — pure overfitting.

Same problem as adding more variables to a regression: $R^2$ never decreases, so you can't pick the right number of variables by maximising $R^2$ alone.

3.2 The fix — add a "tax" that grows with $k$

Standard model-selection trick: add a penalty proportional to $k$ to discourage extra factors. New objective:

As $k$ grows:

• $V(k)$ goes down — fit improves
• $k \cdot \text{penalty}(N, T)$ goes up — tax grows

The minimum sits at the $k$ where marginal fit gain equals marginal tax. Beyond that, extra factors cost more than they help.

The whole game is picking the right penalty rate:

• Too small a penalty → still overfits ($k = k_{\max}$).
• Too large a penalty → underfits ($k = 0$).
• The penalty must shrink as $N, T$ grow (else it dominates fit asymptotically) but not too fast (else noise variation in $V$ wins).

Bai-Ng's contribution is finding the penalty rates that work in the large-$N$-large-$T$ approximate-factor regime and proving the resulting criteria are consistent.

3.3 PC vs IC — what those abbreviations stand for

Bai-Ng give two families, named after what they minimise:

PC = "Principal Component" criterion

Works on $V(k)$ directly:

The $\hat\sigma^2$ factor (in practice, $V(k_{\max})$) scales the penalty to the variance level of the data — otherwise a panel measured in basis points vs. percentage points would behave differently.

IC = "Information Criterion"

Works on $\ln V(k)$:

The log absorbs the scale, so no $\hat\sigma^2$ multiplier needed.

Why two families? Both are asymptotically equivalent — both pick the right $K$ as $N, T \to \infty$. But finite-sample behaviour differs:

• IC is generally more conservative in small samples (less likely to over-select).
• PC is more sensitive to the scale of data; behaves slightly differently with different normalisations.
• Reporting both is the standard sanity check — agreement on $\hat K$ → confidence high; disagreement → investigate.

Naming follows tradition: AIC and BIC are "Information Criteria" (use $\ln$-likelihood), so Bai-Ng's IC inherits the style. "PC" emphasises the principal-component nature — working directly on residuals from the PCA fit.

3.4 The three rate variants — p1, p2, p3

Within each family, Bai-Ng propose three penalty rates. All satisfy the consistency conditions; they differ in finite-sample behaviour.

Define $C_{NT}^2 := \min(N, T)$ — the smaller of the two panel dimensions (the binding constraint for asymptotics).

In the empirical literature, $\text{IC}_{p2}$ is the most commonly used selector.

3.5 The six formulas, decoded

Putting it together — six concrete criteria to minimise over $k$:

Each criterion = [base term] + k × [penalty rate]:

• Base term = $V(k)$ (PC family) or $\ln V(k)$ (IC family).
• Penalty rate = one of three options (p1, p2, p3).
• $\hat\sigma^2$ appears only in PC (IC absorbs scale via the log).

To find $\hat K$ for any of these: compute the criterion for $k = 0, 1, \dots, k_{\max}$ and pick the $k$ that minimises it.

3.6 Practical recommendation

• Default selector: $\text{IC}_{p2}$. Most commonly used; most stable in simulations; Bai-Ng's own recommendation.
• Robustness check: report $\text{PC}_{p2}$ alongside. Agreement strengthens your $\hat K$ claim.
• Cross-check: also plot eigenvalue ratios $\lambda_k / \lambda_{k+1}$ à la Onatski (2010). If all three agree on $\hat K$, conclusion is robust.
• Implementation: ~30 lines of NumPy. Compute SVD once with $k_{\max}$ components → derive $V(k)$ for each $k \leq k_{\max}$ from cumulative explained variance → evaluate all six criteria → output a comparison table.

4. Consistency

Theorem 2 (Bai & Ng). As $N, T \to \infty$ jointly, $\Pr(\hat K = K) \to 1$ for each of the six criteria, under mild assumptions on factor strength and idiosyncratic correlation.

Sketch: for $k < K$, $V(k)$ is bounded away from $V(K)$ — under-fitting penalised. For $k > K$, $V(k) - V(K) \to 0$ at rate $\min(N,T)^{-1}$, while the penalty shrinks more slowly — over-fitting penalised.

5. Empirical findings

Applied to a Stock-Watson US macro panel (215 series, ~39 years monthly), the criteria consistently select 2 factors. Robust to sub-sample stability, different transformations (levels vs. growth), adding/dropping series. Monte Carlo: reliable when $\min(N,T) \geq 40$; unstable below — important caveat for short panels.

6. Connection to other papers in this series

• Bai (2003) — inference layer on top of BN's selection. Once you've picked $K$, this tells you the asymptotic distribution of $\hat F$ and $\hat\lambda$.
• Onatski (2010) — BN criteria can over-select when factors are weak; eigenvalue-ratio test is more robust in those regimes.
• CRW (2023) — eigenvalue-ratio selector that holds for fixed $T$ (BN needs $T \to \infty$). Fixed-$T$ result enables rolling sub-sample analysis.

7. What this gives the AOF model

8. Reading next

• Bai (2003) — inference layer; once you've picked $K$, this tells you how confident to be about $\hat F$ and $\hat\lambda$.
• Onatski (2010) — what to use when BN over-selects.

1. なぜこの論文が必要か

CAPM や Fama-French の世界では「何ファクターか？」は理論が決める。近似ファクターモデル（Chamberlain & Rothschild 1983）の場合、$K$ はデータから選ぶしかない。2002 年以前は ad-hoc な方法（スクリープロット、固有値しきい値）か、形式的に非一致な方法（標準 AIC/BIC はパネル両次元が増える場合には機能しない）しかなかった。

Bai & Ng の貢献は、$N, T \to \infty$ で真の $K$ を一致選択するペナルティ付き基準の族を提示したこと。

1.5. 背景 — 「近似ファクターモデル」とは何か

論文ではこの用語が前提知識として使われる。形式設定に入る前に整理しておく。アセットプライシング・モデルは現実度の段階で 3 つに分けられる：

(1) 1 ファクター／CAPM 型

観測可能なファクター 1 つ（マーケットリターン）、各銘柄に固定ローディング $\beta_i$、固定の切片 $\alpha_i$。古典的仮定：$\varepsilon_{it}$ は銘柄間でも時間軸でも i.i.d. — ノイズ共分散 $\text{Cov}(\varepsilon)$ は対角行列で、各銘柄の個別ショックは他のあらゆる銘柄から独立。

(2) マルチファクター（Fama-French とその系列）

観測可能なファクター $K$ 個（マーケット、規模、バリュー、モメンタム、収益性、…）。依然として $\varepsilon_{it}$ は銘柄間で無相関と仮定 — ファクターが共動のすべてを捉えていることが前提。

教科書では綺麗。実データには通用しない：FF5 を控除しても残差は銘柄間で相関する — 業種ニュース、サプライチェーンショック、ファンドフロー効果などが残る。

(3) 近似ファクターモデル（Chamberlain & Rothschild 1983） — Bai-Ng が使う設定

式の形は同じ、しかしノイズの仮定を緩める：

• $e_{it}$ に銘柄間および時系列で弱い相関を許容 — 業種波及も、緩やかな自己相関も OK。
• 形式的条件：$N \times N$ のノイズ共分散行列 $\text{Cov}(e_t)$ の最大固有値が、$N$ を増やしても有界に留まる。
• 一方、ファクター部分 $\lambda_i' F_t$ の分散は $N$ とともに成長 — ファクター駆動の共分散の上位 $K$ 固有値は $N$ に線形にスケールする。

「近似」という言葉はこの緩和を指す。Ross の「厳密」APT (1976) は $e_{it}$ の無相関を要求した；Chamberlain-Rothschild の「近似」版は弱い相関を許すが、上の固有値スケーリングのギャップで線を引く。

ここから派生する用語

Bai-Ng の貢献

この設定の下で Bai-Ng (2002) が答える問い：$K$ をデータからどう選ぶか？ 2002 年以前は、ad-hoc 手法（スクリープロット — 固有値が「肘」になる箇所を視覚で見る）か、標準 AIC/BIC（$N, T$ 両方が増える領域では正しい漸近的振る舞いを持たない）しかなかった。Bai-Ng はこの領域用に最初の一致性ある基準を与えた。

1.6. 噛み砕いて理解する — 出てきた用語を実例で展開

§1.5 はまだ用語（共分散行列、固有値、AIC/BIC、「一致性」）に依存している。それぞれを底から、ファイナンスの具体例で展開する。

(a) 「ノイズ共分散 $\text{Cov}(\varepsilon)$ は対角行列」とは何を言っているか

$N$ 銘柄のノイズの共分散行列は $N \times N$ の格子状の表：

• 対角の $(i, i)$ 成分 = 銘柄 $i$ 自身の分散 — 個別ノイズの大きさ。
• 非対角の $(i, j)$ 成分 = 銘柄 $i$ のノイズと銘柄 $j$ のノイズの共分散 — ファクター除去後にどれだけ一緒に動くか。

対角行列とは非対角成分がすべて 0 — つまりどの 2 銘柄のノイズも互いに無相関という強い主張。

ファイナンスの直感。 トヨタとソニーの「企業特有のショック」は本当に独立か？実データでは違う — 円ドル、日銀政策、グローバル景気サイクルが「ファクター残差」効果として両方に同時に効く。対角は破綻する。Chamberlain-Rothschild はこれを緩めた：ファクター強度の相関は NG だが、残差間の弱い相関は OK。

(b) 「最大固有値が有界 vs N に線形」の意味 — 固有値とは何か、スケーリングはなぜ重要か

固有値とは、共分散行列の主要な変動方向の大きさを測る数値。最大固有値 = 「データが最も大きく振れる方向の振幅」。

• $\text{Cov}(\lambda_i' F_t)$ の固有値 → ファクターが効く $K$ 個の主方向の振幅。
• $\text{Cov}(e_t)$ の固有値 → 残差の各方向の振幅。

なぜ片方は成長し片方は留まるか。

• 銘柄を 1 つ追加。新しい銘柄も他の全銘柄と同じファクターにロードする。同じ方向に向かうベクトルが 1 つ増える → 分散が約 1 単位だけ増える。$N$ 銘柄ならファクター固有値 ≈ $N$。$N$ に線形。
• 銘柄を 1 つ追加。そのノイズは他の全銘柄のノイズとほぼ独立。特定方向に積み上がらない。各ノイズ固有値は 1 銘柄分のまま。$N$ について有界。

帰結。 ファクター固有値とノイズ固有値のギャップが $N$ とともに広がる。$N = 10$ では区別ほぼ不能。$N = 5{,}000$ ではトップ固有値はノイズの数百倍。このギャップが PCA と固有値比セレクター $\hat K$ の識別の根拠。

具体的な数値例

最もシンプルな設定。各銘柄について $\beta_i = 1$、$\text{Var}(F_t) = 1$、$\text{Var}(e_{it}) = 1$、銘柄間のノイズは独立。

リターンの共分散行列：

— $N \times N$ で対角が 2、非対角が 1。

固有値は：

• 最大：$N + 1$。方向 = 全成分 1 のベクトル。ファクター部分が $\mathbf{1}'\mathbf{1} = N$ を寄与；ノイズが +1。
• 残り $N - 1$ 個：各 = 1。ノイズだけの方向。

比は $N$ に比例して成長。CRSP 規模（米国約 5,000 銘柄）がまさに PCA を機能させる領域。

数学的な核心

銘柄 $i$ がファクターに係数 $\beta_i$ でロードするとき、ファクター方向分散への寄与は $\beta_i^2 \cdot \text{Var}(F)$。$N$ 銘柄合計：

平均的にベータが 0 から離れていれば、合計は $N$ に比例。$N$ 個の正の数を足しているだけ — マジックではない。

銘柄間で独立なノイズは、どの単一方向にも合算できない — それぞれが自分の次元に単独で居る。各ノイズ固有値は $N$ に関わらず ~$\text{Var}(e)$ のまま。

絵で見る

                ★ ← ファクター（最大）固有値 — N とともに成長
   固有値        ★
       ↑       ★
               ★
       |       ★
       |       ●  ●  ●  ●  ●  ●  ●  ●  ●  ●  ←  ノイズ固有値 — 平坦
       |       ●  ●  ●  ●  ●  ●  ●  ●  ●  ●
       +───────────────────────────────→  N（ユニバースサイズ）
                K = 1 ファクター → 1 本のタワー。

ユニバースが広がると、ファクターの「タワー」が上に伸び、ノイズの「床」は平坦なまま。真の $K = 3$ なら床の上に 3 本のタワーが立つ。固有値比セレクター $\hat K$ はタワーから床への跳躍点を選ぶ — これが BN / Onatski / CRW の物語全体の核。

日常的な例えで

$N$ 組の双眼鏡が概ね北を向き、それぞれにランダムなブレ → 集合した視線は確実に「北」、$N$ が増えるほど確信が増す。これがファクター。

$N$ 人の子どもがそれぞれランダムで無関係なダンス → 集合に方向はなく、$N$ を増やしても featureless。これがノイズ。

ファクターモデルが機能するのは、実データの株式パネルが子どもよりも双眼鏡の集まりに近いから。

(c) 用語を実例で肉付け

強い因子。 マーケットベータ。全銘柄が大なり小なり正にロード。$N$ を増やすと同方向のロードが積み重なる → 固有値が $N$ に線形成長。

弱い因子。 2024 年 AI CapEx ナラティブのようなニッチセクターテーマ。50 銘柄程度には効くが、残り 4,950 銘柄ではほぼゼロ。$N$ を増やしても固有値は伸びない。標準 PCA はノイズと取り違えうる。

共通成分 $\lambda_i' F_t$。 トヨタの今月リターン 3% のうち、マーケット +0.5%、規模 +0.3%、バリュー −0.1% → 合計 0.7% が共通成分。

個別成分 $e_{it}$。 残り 2.3% — トヨタ固有のニュース。ホンダや日産のノイズと完全独立とは仮定しない；同業残差相関は許容。

大 $N$・大 $T$ 漸近。 「パネル両次元が漸近定理が効く程度に十分大きい」状態。CRSP 米国：$N \approx 5{,}000$、$T \approx 700$ — 両方大。J-Quants JP：$N \approx 4{,}000$、$T \approx 200$ — 両方大。「S&P 500 × 5 年」だと $N = 500$、$T = 60$ — 両方小、漸近は効かない。

(d) なぜ Bai-Ng が必要だったか — スクリープロットと AIC/BIC が効かない理由

スクリープロット (scree plot)。 固有値を大きい順にプロットしたグラフ。視覚的に「肘 (elbow)」がある場所を $\hat K$ とする。

固有値
 ↑
 |  *
 |   *
 |    *  ← elbow at K=3
 |     ·  ·  ·  ·  ·  ·
 |
 +─────────→ 順位

問題：主観的。同じスクリープロットで $K=3$ か $K=5$ かで分析者が割れる。再現性なし、形式的検定なし。

AIC / BIC。 時系列計量経済学の標準モデル選択基準。誤差 + ペナルティ × パラメータ数 の形。

問題：「$N$ 固定、$T \to \infty$」または完全パラメトリック前提で導出された。ファクターモデルでは $N$ も $T$ も増え、残差が弱相関を許す。標準ペナルティ速度はこの領域の $V(k)$ 漸近と合わない。結果、標準 AIC/BIC は $k = k_{\max}$ を常に選ぶか $k = 0$ を常に選ぶかで、一致性がない。

「一致性ある (consistent) 基準」。 統計用語で「サンプルサイズ $N, T$ が ∞ に発散すると $\Pr(\hat K = K) \to 1$」。Bai-Ng (2002) は近似ファクター設定でこれを満たす最初の基準を与えた。技術的貢献：「ペナルティは $\min(N,T)^{-1}$ より遅く 0 に収束する必要がある」という新しい速度条件を導入し、$\text{PC}_p$ / $\text{IC}_p$ 族を設計してこれを満たした。後続の §3 にある 6 つの式がこれを具体化する。

1.7. さらに細かく — 読み返してまだ詰まった 8 箇所

§1.5 と §1.6 を通読してもなお抽象的に感じる 8 つの概念を、具体例で深掘りする。

(1) 「ノイズ共分散 $\text{Cov}(\varepsilon)$ は対角行列」— 具体的な絵

$N = 5$ 銘柄（トヨタ、ホンダ、ソニー、任天堂、KDDI）として、$\varepsilon_t = (\varepsilon_{1t}, \dots, \varepsilon_{5t})'$ の共分散行列を書き下す：

古典 CAPM の対角仮定の場合：

つまり「トヨタの月次ノイズの分散は 4%、ソニーは 6%、…」が対角に並ぶだけ。非対角はすべて 0 — トヨタのノイズとソニーのノイズの共分散はゼロ＝完全独立、ということ。

近似ファクターの場合（Chamberlain-Rothschild）：

非対角に小さな正の値が入っている（自動車業界 — トヨタ・ホンダ・ソニー間で残差が連動）。一方、KDDI とは無関係。これが「非対角の数値が完全にゼロではないが「ほぼゼロ」」の意味。技術的な強度条件は (5) と (8) で。

(2) i.i.d. を改めて — 2 つの言葉に分解する

i.i.d. = independent and identically distributed（独立同分布）。2 つの主張を同時にしている：

(3) 「$e_{it}$ は銘柄間で無相関」がなぜ強い仮定か

「同じファクターを引いたあと、残るのは銘柄個別のノイズだけ — 銘柄間ではゼロ相関」と主張するが、実データでは必ず違反する。違反するパターン：

これらがすべてゼロ相関、というのは経験的にあり得ない。だから古典 CAPM/FF はテスト統計量が歪み、実用上は「t 値を信用するな」と言われる。

(4) 「式の形は同じ、しかしノイズの仮定を緩める」— $\alpha$ はどこに消えた？

$X_{it} = \lambda_i' F_t + e_{it}$ には $\alpha_i$ が見当たらない。3 つの理解：

1. $X_{it}$ は前処理済み。Bai-Ng の枠組みでは $X$ を平均ゼロにデモミーンしたもの（$X_{it} \leftarrow X_{it} - \bar X_i$）として扱う。元の $\alpha_i$ は標本平均 $\bar X_i$ に吸収され、モデル式からは見えなくなる。
2. $\alpha_i$ を「定数ファクター」として F に含める手もある。$F_t$ の第 1 成分を 恒等的に 1 にすれば、対応する $\lambda_{i,1}$ が $\alpha_i$ の役割。Bai-Ng はこちらは取らず、(1) のデモミーン解釈を採る。
3. 「式の形」とは何か。「観測リターン = ファクター駆動部分 + 残差」という分解の構造は同じ。違うのは（i）どの $F_t$ を入れるか（$K$ 個・未観測、データから推定）と、（ii）残差 $e_{it}$ の確率仮定だけ。

(5) 「弱い相関」「緩やかな自己相関」— 「弱い・緩やか」の数学的定義

確かに直感的には程度問題に聞こえるが、Chamberlain-Rothschild は形式的に定義する：

変換前 ●            変換後
       │                ●●●  ← x 軸方向には 3 倍に伸びた
   ●   │   ●            │
       │                │     ← y 軸方向は変わらない
───●───●───●───      ───●●●───●●●───
       │                │
   ●   │   ●            │
       ●                ●

ホンダ
  ↑     ●  ●
  │   ●  ●  ●  ●  ←最大固有値の方向（45° 線、両社が一緒に動く＝マーケット）
  │ ●  ●  ●  ●  ●
  │●  ●  ●  ●  ●
  │ ●  ●  ●  ●     ←第 2 固有値の方向（−45°、片方上がってもう片方下がる＝個別差）
  │   ●  ●
  └─────────────→ トヨタ

固有値
  ↑
$O(N) ───  ●
            ●
             ●  ←← K 個目（ファクター最後）
              │
              │  ← ★ 巨大なジャンプ ★
              │
              ●  ←← K+1 個目（ノイズ最初）
$O(1) ───      ●  ●  ●  ●  ●  ●  ●  ●  ●  ●  ●
              ↑
       「ここに線を引く」 ＝ $\hat K = K$
   └──────────────────────────────────→  固有値順位