Higher-Order Asset Pricing Factors via Forward Selection Fama-MacBeth Regression
通过前向选择 Fama–MacBeth 回归识别高阶资产定价因子AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕股票收益横截面定价、常用因子的高阶项与候选因子 alpha 展开，直接对应资产定价和金融因子。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过前向选择 Fama–MacBeth 回归识别高阶资产定价因子
- 研究问题
- 常用线性因子的高阶项和交互项是否在股票收益横截面中被定价，并能解释其他大量候选因子的定价表现？
- 方法与思路
- 作者构建前向选择 Fama–MacBeth 程序，从六个常用因子产生的高阶项中选择少量项，并比较模型的样本内外表现。
- 材料陈述的贡献
- 摘要称所选高阶项具有显著定价作用，模型优于传统基准，并降低大量候选因子的 alpha；程序还识别和排序相关高阶项。
- 阅读关注点
- 核对高阶项构造、前向选择和停止规则，以及模型选择后的推断处理；检查样本外划分、比较指标与基准模型。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未提供样本、检验细节及数值幅度，不能确认优势的普遍性。
原文摘要
We show that the higher-order terms and interactions of the common sparse linear factors are significantly priced in the cross-section of equity returns. A higher-order model with only a small number of selected higher-order terms from six widely used factors outperforms traditional benchmarks both in-sample and out-of-sample. It also substantially reduces the alphas of the extensive factor zoo, suggesting that the pricing power of many zoo factors is attributable to their exposure to higher-order terms of common linear factors. We identify and rank the most relevant higher-order terms by developing a forward selection Fama-MacBeth procedure.