Equity‐premium prediction: Attention is all you need
股权溢价预测：关注关键信息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：摘要明确研究股权溢价预测，并以文本筛选后提取的扩散指数因子生成预测。
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
股权溢价预测：关注关键信息
- 研究问题
- 为何将文本直接输入扩散指数模型未能改善股权溢价预测，而先筛选预测性词语并动态更新词典可能带来预测收益？
- 方法与思路
- 作者在文本因子提取前选择最具预测能力的词语，并允许词典随时间更新，比较其与直接使用文本因子及历史均值的预测表现。
- 材料陈述的贡献
- 摘要称，直接将文本用于扩散指数模型不优于历史均值预测，而先筛词再计算因子、同时更新词典可获得明显预测收益。
- 阅读关注点
- 应核对词语筛选与词典更新是否严格遵守预测时点的信息约束，以及因子数量、调参方式、样本外评价与比较检验。
- 阅读边界
- 摘要未说明文本来源、预测区间、损失指标或改善数值；题名中的注意力表述不能据此解读为采用特定神经网络架构。
原文摘要
Summary Predictions of stock returns are greatly improved relative to low‐dimensional forecasting regressions when the forecasts are based on the estimated factor of large data sets, also known as the diffusion index (DI) model. However, when applied to text data, DI models do not perform well. This paper shows that by simply using text data in a DI model does not improve equity‐premium forecasts over the naive historical‐average model, but substantial gains are obtained when one selects the most predictive words before computing the factors and allows the dictionary to be updated over time.