Bayesian evaluation of mutual fund performance with non-random missing data: Application to the Chinese market
非随机缺失数据下的共同基金绩效贝叶斯评估：中国市场应用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：摘要直接研究基金 alpha、风险调整绩效及样本外 alpha 预测，因此对应资产定价与收益预测两个方向。
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…
非随机缺失数据下的共同基金绩效贝叶斯评估：中国市场应用
- 研究问题
- 共同基金数据的非随机缺失如何影响 alpha 估计与绩效评估，能否在估计中纳入选择机制并改善样本外预测？
- 方法与思路
- 作者提出 Beta 选择模型，将缺失机制纳入降噪 alpha 模型，并以贝叶斯程序估计，开展模拟及中国基金应用。
- 材料陈述的贡献
- 摘要称，该方法减少 alpha 偏差并改善模拟表现；中国样本中预测更准确，约十八%的基金具有显著正 alpha。
- 阅读关注点
- 应核对选择机制的识别依据、缺失率实验设计、alpha 显著性判定，以及预测和组合比较是否使用一致评估规则。
- 阅读边界
- 摘要未说明样本期、因子设定和预测评估细节，所述比例及表现仅是作者报告；解读限于所给出版社摘要版本。
原文摘要
This paper studies mutual fund performance evaluation, where non-random missing data is an important issue. Ignoring sample selection issues can lead to biased parameter estimates and invalid performance evaluation. Therefore, we propose a novel Beta selection model to characterize this non-random missingness mechanism. We can significantly reduce the bias in alpha estimates, by introducing our Beta selection mechanism into the Noise-Reduced Alpha (NRA) model of Harvey and Liu (2018). A computationally attractive Bayesian estimation procedure is also provided. Simulation results show that our proposed method achieves superior finite-sample performance compared to classical fund-by-fund ordinary least squares (OLS) and the baseline NRA model. Finally, we apply our method to Chinese mutual fund data, and find that: (i) our out-of-sample alpha forecasts exhibit greater predictive accuracy across all tested missingness rates; (ii) approximately 18% of funds exhibit statistically significant positive alphas, suggesting market-beating skill; and (iii) portfolios constructed using our method deliver significantly higher returns than those using alternative approaches.