A Unified Inference for Predictive Quantile Regression
预测分位数回归的统一推断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。
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：摘要直接研究分位数预测性检验，并将其应用于标普五百月度收益预测。
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…
预测分位数回归的统一推断
- 研究问题
- 预测变量的持久性及其截距是否为零会改变分位数回归的渐近行为，如何在难以区分这些情形时统一检验预测性？
- 方法与思路
- 作者将数据分割、加权推断与随机加权自助法结合，构造适用于不同预测变量持久性和截距情形的分位数预测性检验。
- 材料陈述的贡献
- 摘要报告，新检验在模拟中具有较好的检验水平与功效表现，尤其针对非零截距情形，并重考标普五百月收益的分位预测性。
- 阅读关注点
- 应核对统一推断覆盖的持久性类别、截距的具体定义，以及数据分割规则、自助法条件和金融应用的检验设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；统一性条件及金融应用的具体结论未说明，模拟优势不能普遍化或推断刊本变化。
原文摘要
The asymptotic behavior of quantile regression inference becomes dramatically different when it involves a persistent predictor with zero or nonzero intercept. Distinguishing various properties of a predictor is empirically challenging. In this article, we develop a unified predictability test for quantile regression regardless of the presence of intercept and persistence of a predictor. The developed test is a novel combination of data splitting, weighted inference, and a random weighted bootstrap method. Monte Carlo simulations show that the new approach displays significantly better size and power performance than other competing methods in various scenarios, particularly when the predictive regressor contains a nonzero intercept. In an empirical application, we revisit the quantile predictability of the monthly S&P 500 returns between 1980 and 2019. Supplementary materials for this article are available online.