Forecasting stock returns with model uncertainty and parameter instability
模型不确定性与参数不稳定性下的股票收益预测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：摘要以股票收益预测方法比较为核心，并明确报告预测未来宏观经济状况的类似改善，因此对应收益预测与宏观预测。
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…
模型不确定性与参数不稳定性下的股票收益预测
- 研究问题
- 模型不确定性与参数不稳定性如何影响股票收益预测，复杂的模型平均或变量选择方法能否通过与历史均值组合改善样本外表现？
- 方法与思路
- 作者比较模型平均与变量选择方法，将复杂模型预测与历史均值组合并考虑参数不稳定性；示例用平均窗口法估计多变量预测回归。
- 材料陈述的贡献
- 摘要称上述组合与不稳定性处理能明显改善复杂方法；示例的月度样本外指标具有统计显著性，并报告年度效用增益及类似的宏观预测改善。
- 阅读关注点
- 应核对预测变量、平均窗口法及组合权重的设定，确认样本外信息集、显著性检验和效用计算，并检查各方法是否使用相同评估条件。
- 阅读边界
- 摘要中1.10%的月度样本外数值未明确指标名称，也未交代窗口选择及效用计算细节；不能据此确认报告的改善在其他样本中仍然成立。
原文摘要
Summary We compare several representative sophisticated model averaging and variable selection techniques of forecasting stock returns. When estimated traditionally, our results confirm that the simple combination of individual predictors is superior. However, sophisticated models improve dramatically once we combine them with the historical average and take parameter instability into account. An equal weighted combination of the historical average with the standard multivariate predictive regression estimated using the average windows method, for example, achieves a statistically significant monthly out‐of‐sample of 1.10% and annual utility gains of 2.34%. We obtain similar gains for predicting future macroeconomic conditions.