Out-of-Sample Return Predictability: A Quantile Combination Approach
样本外收益可预测性：分位数组合方法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：摘要以股票风险溢价的样本外预测为对象，并将条件分位数平均与 LASSO 筛选结合，因此归入收益预测。
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…
关注这篇论文的作者
样本外收益可预测性：分位数组合方法
- 研究问题
- 股票风险溢价预测中，弱预测变量与参数估计误差如何影响样本外表现，能否通过组合条件分位数降低其影响？
- 方法与思路
- 作者提出先用 LASSO 选择预测变量，再对给定这些变量的条件分位数进行平均，形成股票风险溢价预测。
- 材料陈述的贡献
- 摘要称，该组合预测相较历史平均和其他已有模型，在统计与经济意义上均有改善；具体改善幅度和评价指标未列出。
- 阅读关注点
- 阅读全文时应核对条件分位数的选取与平均方式、LASSO 的调参和训练窗口，以及样本外检验和经济价值评价的设定。
- 阅读边界
- 摘要未说明样本、预测期限、比较模型清单与检验细节，无法据此判断改善的稳健性、适用市场或交易成本后的表现。
原文摘要
This paper develops a novel forecasting method that minimizes the effects of weak predictors and estimation errors on the accuracy of equity premium forecasts. The proposed method is based on an averaging scheme applied to quantiles conditional on predictors selected by LASSO. The resulting forecasts outperform the historical average, and other existing models, by statistically and economically meaningful margins. Copyright © 2016 John Wiley & Sons, Ltd.