Semiparametric Conditional Factor Models in Asset Pricing
资产定价中的半参数条件因子模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究资产收益的条件潜在因子、因子载荷、alpha 及资产定价检验。
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…
资产定价中的半参数条件因子模型
- 研究问题
- 在条件潜在因子模型中，如何区分资产特征对因子载荷与定价误差的作用，并检验因子能否解释股票横截面收益？
- 方法与思路
- 作者提出半参数估计方法，从 Fama–MacBeth 管理组合中提取主成分构造因子，分别刻画特征与载荷和 alpha 的关系。
- 材料陈述的贡献
- 摘要报告美国个股中仍有显著非零定价误差；因子与正交组合结合后的样本外夏普比率超过四，但这仅是作者陈述。
- 阅读关注点
- 应核对载荷与 alpha 的分离条件、管理组合构造和样本外划分，并检查高夏普比率的计算、交易成本及稳健性。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未说明样本期、成本和实施约束，高夏普比率不等于可实现收益。
原文摘要
We introduce a simple and tractable methodology for estimating semiparametric conditional latent factor models. Our approach disentangles the roles of characteristics in capturing factor betas of asset returns from ``alpha.'' We construct factors by extracting principal components from Fama-MacBeth managed portfolios. Applying this methodology to the cross-section of U.S. individual stock returns, we find compelling evidence of substantial nonzero pricing errors, even though our factors demonstrate superior performance in standard asset pricing tests. Unexplained ``arbitrage'' portfolios earn high Sharpe ratios, which decline over time. Combining factors with these orthogonal portfolios produces out-of-sample Sharpe ratios exceeding 4.