Score-driven asset pricing: Predicting time-varying risk premia based on cross-sectional model performance
得分驱动资产定价：基于截面模型表现预测时变风险溢价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：摘要直接研究线性因子定价模型中的时变风险价格、风险暴露和风险溢价预测。
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…
关注这篇论文的作者
得分驱动资产定价：基于截面模型表现预测时变风险溢价
- 研究问题
- 当风险溢价的预测变量未知或质量不确定时，如何根据资产定价模型当前的截面表现，动态更新风险价格与暴露并进行预测？
- 方法与思路
- 作者提出观测驱动的参数更新机制，以截面回归误差驱动动态，在椭圆分布收益设定下推导更新方案，并用似然最大化估计。
- 材料陈述的贡献
- 摘要称该方法可在模拟中滤波和预测较大的风险价格变动，并通过股票组合面板应用展示其经验表现。
- 阅读关注点
- 应核对风险价格与暴露如何分别识别、得分更新与预测误差的关系，以及似然设定、预测基准和参数动态稳定性。
- 阅读边界
- 仅据所给 OpenAlex 摘要，收益分布条件、预测改善数值和比较基准未说明，不能据此认定样本外优势或推断后续版本变化。
原文摘要
This paper proposes a new parametric approach for estimating linear factor pricing models with dynamic risk premia. Time-varying risk prices and exposures follow an observation-driven updating scheme that reduces the one-step-ahead prediction error from a cross-sectional factor model at the current observation. This agnostic approach is particularly useful in situations where predictors are unknown or of uncertain quality. Updating schemes for elliptically distributed returns are derived and propose cross-sectional regression errors as driving sequence for the parameter dynamics. Estimation and inference are performed by likelihood maximization. A simulation study confirms that the novel method is capable of filtering and predicting substantial risk price movements. The empirical performance of the method is illustrated by an application to a panel of equity portfolios.