How to Identify and Forecast Bull and Bear Markets?
如何识别与预测牛市和熊市？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：摘要比较潜在市场状态的马尔可夫转换预测，并明确强调收益方差的预测作用，因此对应时间序列与波动率方向。
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
如何识别与预测牛市和熊市？
- 研究问题
- 如何识别潜在的股市牛熊状态并预测未来状态，规则法与马尔可夫转换模型在样本内识别和样本外预测上有何差异？
- 方法与思路
- 作者比较半参数规则法与参数化马尔可夫转换模型，用风险厌恶投资者依据各法预测进行决策所获得的均值—方差效用评价表现。
- 材料陈述的贡献
- 摘要称标普500应用中，规则法较适合样本内状态识别，马尔可夫转换法的样本外预测与效用表现更好，并强调方差信息的作用。
- 阅读关注点
- 读全文时应核对牛熊状态定义、实时预测的信息边界、模型估计窗口，以及方差信息如何影响状态预测与效用比较。
- 阅读边界
- 摘要未说明状态定义、样本划分、参数估计与交易成本设定；标普500结果及所用效用标准不足以支持方法的普遍优越性。
原文摘要
Summary Because the state of the equity market is latent, several methods have been proposed to identify past and current states of the market and forecast future ones. These methods encompass semi‐parametric rule‐based methods and parametric Markov switching models. We compare the mean‐variance utilities that result when a risk‐averse agent uses the predictions of the different methods in an investment decision. Our application of this framework to the S&P 500 shows that rule‐based methods are preferable for (in‐sample) identification of the state of the market, but Markov switching models for (out‐of‐sample) forecasting. In‐sample, only the mean return of the market index matters, which rule‐based methods exactly capture. Because Markov switching models use both the mean and the variance to infer the state, they produce superior forecasts and lead to significantly better out‐of‐sample performance than rule‐based methods. We conclude that the variance is a crucial ingredient for forecasting the market state. Copyright © 2016 John Wiley & Sons, Ltd.