Factor investing: A Bayesian hierarchical approach
因子投资：贝叶斯层级方法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：摘要直接讨论因子配置、条件收益预测及随机贴现因子对风险异象的解释，分别对应金融因子、收益预测和资产定价。
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
因子投资：贝叶斯层级方法
- 研究问题
- 当资产收益可预测且预测参数随时间变化时，如何联合估计预期收益与协方差，并将估计风险纳入资产配置？
- 方法与思路
- 作者提出择时型贝叶斯层级模型，以滞后基本面特征驱动异质时变系数，通过层级先验共享资产间信息并联合估计收益与残差协方差。
- 材料陈述的贡献
- 摘要称，该方法在美国股票应用中的点预测和区间覆盖优于多数比较方法，并报告组合表现及所构造随机贴现因子解释风险异象的能力。
- 阅读关注点
- 应核对时变系数与层级先验的设定、估计风险如何进入组合决策，以及预测比较、组合收益和风险异象检验所采用的评价设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断样本外实施、交易成本及比较方法的公平性；所报投资表现不能直接外推至其他市场或时期。
原文摘要
This paper investigates the asset allocation problem when returns are predictable. We introduce a market-timing Bayesian hierarchical (BH) approach that adopts heterogeneous time-varying coefficients driven by lagged fundamental characteristics. Our approach estimates the conditional expected returns and residual covariance matrix jointly enables evaluating the estimation risk in the portfolio analysis. The hierarchical prior allows the modeling of different assets separately while sharing information across assets. We demonstrate the performance of the U.S. equity market, and our BH approach outperforms most alternative methods in terms of point prediction and interval coverage. In addition, the BH efficient portfolio achieves monthly returns of 0.92% and a significant Jensen’s alpha of 0.32% in sector investment over the past twenty years. We detect that technology, energy, and manufacturing are the most critical sectors in the past decade, and size, investment, and short-term reversal factors are heavily weighted in our portfolio. Furthermore, the stochastic discount factor constructed by our BH approach can explain many risk anomalies.