Taking stock of long-horizon predictability tests: Are factor returns predictable?
审视长期收益可预测性检验：因子收益能否预测？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：摘要直接检验新旧定价因子收益的长期可预测性，并比较月度与年度收益数据，明确对应收益预测和金融因子方向。
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…
审视长期收益可预测性检验：因子收益能否预测？
- 研究问题
- 当预测变量高度持久时，长期收益预测检验是否会产生过度拒绝，如何在未知持久性下检验多个变量对因子收益的预测能力？
- 方法与思路
- 作者将IVX程序改用于长期预测回归，构造允许多个预测变量在I(0)至I(1)范围内具有未知持久程度的Wald统计量。
- 材料陈述的贡献
- 摘要称，新统计量具有标准卡方渐近分布；应用发现月度因子收益存在预测证据，但随预测期限延长及改用年度数据而减弱。
- 阅读关注点
- 应核对长期期限与样本量的关系、预测变量持久性条件、重叠收益的处理，以及检验尺寸和功效比较所依据的设计。
- 阅读边界
- 仅依据所给OpenAlex版本摘要；标准卡方结论的完整条件、模拟数值和实证显著性未说明，预测证据也不直接等同于样本外表现。
原文摘要
This study provides a critical assessment of long-horizon return predictability tests using highly persistent regressors. We show that the commonly used statistics are typically oversized, leading to spurious inference. Instead, we propose a Wald statistic, which accommodates multiple predictors of (unknown) arbitrary persistence degree within the I(0)-I(1) range. The test statistic, based on an adaptation of the IVX procedure to a long-horizon regression framework, is shown to have a standard chi-squared asymptotic distribution (regardless of the stochastic properties of the regressors used as predictors) and to exhibit excellent finite-sample size and power properties. Employing this test statistic, we find evidence of predictability for “old” and “new” pricing factors with monthly returns, but this becomes weaker as the predictive horizon increases. The predictability evidence substantially weakens with annual data. Overall, we question the incremental value of using long-horizon predictive regressions.