A penalized two-pass regression to predict stock returns with time-varying risk premia
时变风险溢价下用于股票收益预测的惩罚两步回归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：摘要直接涉及无套利限制、时变因子载荷和风险溢价，并以股票超额收益预测为目标，对应资产定价、金融因子与收益预测。
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…
时变风险溢价下用于股票收益预测的惩罚两步回归
- 研究问题
- 在因子载荷和风险溢价随时间变化时，如何通过稀疏化两步回归预测股票超额收益，同时保持与无套利限制的相容性？
- 方法与思路
- 作者在第一步对适当的系数组进行惩罚，稀疏选择时变载荷的驱动变量并兼顾无套利限制，第二步估计风险溢价用于预测。
- 材料陈述的贡献
- 摘要称，不分组惩罚在所用设计中几乎都违反无套利限制；所提方法相较不适当分组的惩罚方法和时不变因子模型降低预测误差。
- 阅读关注点
- 应核对无套利限制如何对应系数组、惩罚和调参如何实施，以及第二步如何处理第一步误差和样本外预测比较。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能判断无套利相容性的完整条件或误差改善幅度；模拟与美国股票样本结论不可直接外推到其他市场。
原文摘要
We develop a penalized two-pass regression with time-varying factor loadings. The penalization in the first pass enforces sparsity for the time-variation drivers while also maintaining compatibility with the no-arbitrage restrictions by regularizing appropriate groups of coefficients. The second pass delivers risk premia estimates to predict equity excess returns. Our Monte Carlo results and our empirical results on a large cross-sectional data set of US individual stocks show that penalization without grouping can yield to nearly all estimated time-varying models violating the no-arbitrage restrictions. Moreover, our results demonstrate that the proposed method reduces the prediction errors compared to a penalized approach without appropriate grouping or a time-invariant factor model.