Stock Returns and Dividend Yields Revisited: A New Way to Look at an Old Problem
股票收益与股息收益率再考察：旧问题的新视角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：摘要直接检验股息收益率能否预测股票收益，并讨论预测回归参数的区间推断，因此归入收益预测方向。
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
股票收益与股息收益率再考察：旧问题的新视角
- 研究问题
- 股息收益率是否具有预测股票收益的能力？在数据存在依赖及可能的异方差时，如何为相关回归参数构造可靠的置信区间？
- 方法与思路
- 作者采用 subsampling 为回归参数构造置信区间，避免预先选定拟合数据的结构模型，并用模拟及三个数据集开展分析。
- 材料陈述的贡献
- 摘要称，模拟提示 subsampling 的小样本性质优于 GMM；在三个数据集上未发现令人信服的股票收益可预测性证据。
- 阅读关注点
- 应核对 subsampling 的子样本构造与区间算法、依赖和异方差条件，以及三个数据集的回归设定和与 GMM 的模拟比较。
- 阅读边界
- 摘要未说明具体弱条件、数据范围或区间数值；未发现有说服力的预测证据不等于证明不存在可预测性，亦不能据此判断样本外表现。
原文摘要
The problem of whether stock returns can he predicted from dividend yields is discussed. I apply a new statistical method for finding reliable confidence intervals for regression parameters in the context of dependent and possibly heteroscedastic data, called subsampling. The method works under very weak conditions and avoids the pitfalls of having to choose a structural model to fit to observed data. Appropriate simulation studies suggest that it has better small-sample properties than the generalized method of moments, which is also model free and works under weak conditions. Applying the subsampling method to three datasets, I do not find convincing evidence for the predictability of stock returns.