Penetrating sporadic return predictability
识别间歇性的收益可预测性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：摘要直接讨论收益预测回归中的多重结构变化、断点检测与预测变量筛选。
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…
关注这篇论文的作者
识别间歇性的收益可预测性
- 研究问题
- 当金融收益预测变量的作用随时间间歇出现，且信号弱、持续性不同，如何识别预测回归中的结构断点并筛选相关预测变量？
- 方法与思路
- 作者用含多重结构变化的预测回归，结合前向回归筛查断点与自适应组 Lasso 定位变化，再以自适应 Lasso 剔除无关变量。
- 材料陈述的贡献
- 摘要称，断点识别具有一致性，变量筛选具有 oracle 性质；模拟显示忽略断点可能削弱可预测性，并以美国股权溢价预测说明方法。
- 阅读关注点
- 应核对弱信号与不同持续性允许的范围、断点间距和惩罚参数条件，以及美国股权溢价应用中的预测评价与变量选择流程。
- 阅读边界
- 所给 RePEc 出版社摘要未列出理论条件、样本外细节或预测改善幅度；不能据此判断普遍收益预测能力，也不能推断其他版本变化。
原文摘要
Return predictability has been one of the central research questions in finance for many decades. This paper proposes a predictive regression with multiple structural changes to capture the sporadic predictive ability of potential predictors for the return series. An adaptive group Lasso procedure, augmented with a forward regression for break screening, is adopted to efficiently and consistently identify the structural breaks in the predictive regression, with predictors exhibiting low signal strength and heterogeneous degrees of persistence. To enhance the prediction accuracy, adaptive Lasso is further used to eliminate the irrelevant predictors and is shown to achieve the oracle property. Simulation studies demonstrate the effectiveness of the proposed methods in break detection and predictor selection, and further show that ignoring structural breaks could abate predictability. The application to predicting U.S. equity premium illustrates the practical merits of our methodology in revealing return predictability that changes over time.