主要观点：
　　本篇是“学海拾珠”系列第二百八十六篇。文献提出因子驱动的网络信息约束向量自回归（FNIRVAR）模型：用静态因子模型刻画高维金融时间序列的共同成分，用以随机块模型为基础的网络VAR刻画特质成分中的残余联动，并给出“PCA估计因子、谱聚类估计网络”的两步估计流程。
　　研究方法
　　1、将高维时间序列分解为共同成分（强因子）与特质成分；特质成分的VAR系数矩阵由同配随机块模型的邻接矩阵约束，仅允许同一社区（高度联动的资产组）内部存在非零系数，网络无需事先观测。
　　2、两步估计：先用PCA估计因子与载荷（要求共同协方差与特质协方差之间存在特征值间隙）；再对残差协方差矩阵做谱嵌入和高斯混合聚类，在组内用OLS估计受限VAR。嵌入维度取超过Mar？enko-Pastur分布上界的特征值个数，聚类数与之相等。
　　3、三个模拟实验，以及三组实证：648只美股/ETF的日收益（2000–2020年，四年滚动窗口）、516只纳斯达克股票的30分钟收益（2007–2021年）、FRED-MD的122个宏观变量（预测美国工业产出）；对照为仅因子模型和因子加LASSO稀疏VAR模型。
　　文献主要结论
　　1、模拟：数据生成过程为FNIRVAR时，其均方预测误差最低（1.87，对照1.91与1.95）；估计的因子个数为1时，FNIRVAR的MSPE为1.41，仅因子模型为3.20，因子个数设对时则无损预测。
　　2、日收益：等权组合、零成本下夏普比率为1.95（因子加LASSO为1.64，仅因子为1.27），1bpt和2bpts成本下仍有1.66和1.37；零成本日均盈亏3.41个基点。
　　3、日内收益：30分钟收益、等权组合、零成本下夏普比率为2.20（因子加LASSO为1.14，仅因子为0.58）。
　　4、宏观预测：美国工业产出预测的整体MSE为0.0074，低于仅因子模型和因子加LASSO模型的0.0077。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。