Machine Learning Forecasts of Asymmetric Betas Using Firm-Specific Information
利用公司特征的机器学习非对称贝塔预测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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要围绕非对称市场贝塔、CAPM 系统性风险分解和股票估值展开，支持资产定价与金融因子，而非直接的收益预测。
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…
利用公司特征的机器学习非对称贝塔预测
- 研究问题
- 公司特征能否通过非线性模型改善不同期限的非对称贝塔预测，这些风险预测又如何影响市场贝塔重构、股票估值与组合表现？
- 方法与思路
- 作者使用美国股票横截面与公司特征开展机器学习预测，将非对称贝塔预测合成为 CAPM 贝塔，并纳入折现现金流估值。
- 材料陈述的贡献
- 摘要称，允许非线性可改善样本外风险预测，细分风险重构有助于市场贝塔刻画，条件贝塔预测还改善估值及市场中性组合表现。
- 阅读关注点
- 应核对非对称贝塔的定义、训练与样本外划分、特征可得时点，以及估值误差与组合收益是否充分计入交易成本。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；算法、基准与改善幅度未说明，特征重要性不能直接解释为因果作用。
原文摘要
We demonstrate that machine learning methods provide a powerful framework for modelling conditional asymmetric risk. Using a large cross-section of US stocks and a comprehensive set of firm characteristics, we show that allowing for nonlinearities significantly increases the out-of-sample performance across a wide range of asymmetric beta measures and forecasting horizons. Trading frictions, followed by characteristics related to intangibles, momentum and growth, emerge as the most important drivers of future risk dynamics. Reconstructing CAPM beta from forecasts of asymmetric beta components indicates that a more granular decomposition of systematic risk yields a more accurate representation of market beta. We also find that incorporating conditional beta forecasts into discounted cash flow models that account for the term structure of betas enhances equity valuation accuracy. Finally, we show that the statistical outperformance of conditional betas translates into economically significant benefits for market-neutral portfolio investors.