Model uncertainty in the cross-section of stock returns
股票收益横截面中的模型不确定性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：摘要明确研究资产定价模型、因子风险价格及股票收益中的模型不确定性。
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
股票收益横截面中的模型不确定性
- 研究问题
- 如何度量资产定价模型的不确定性，并分析均值方差效率、模型简约性和遗漏真实因子对该度量的影响？
- 方法与思路
- 作者对因子风险价格设定修正的 g 先验，以模型后验概率的熵度量不确定性，并研究模型选择一致性及遗漏污染。
- 材料陈述的贡献
- 摘要称建立选择一致性并刻画遗漏因子的最大污染程度，实证发现不确定性在重大事件中上升且与负风险溢价相关。
- 阅读关注点
- 应核对先验修正如何改变模型概率、熵度量对候选模型集的依赖，以及遗漏污染界限和风险溢价估计的条件。
- 阅读边界
- 所给出版社摘要的溢价与资金流预测属于样本内研究陈述，未说明稳健性及因果识别，不能据此判断未来收益或版本变化。
原文摘要
We develop a transparent Bayesian framework to measure uncertainty in asset pricing models. By assigning a modified class of g-priors to the risk prices of asset pricing factors, our method quantifies the trade-off between mean–variance efficiency and parsimony for asset pricing models to achieve high posterior probabilities. Model uncertainty is defined as the entropy of these model probabilities. We prove the model selection consistency property of our procedure, which is missing from the classic g-priors. Acknowledging the possibility of omitting true asset pricing factors in real applications, we also characterize the maximum degree of contamination that the omitted factors can introduce to our model uncertainty measure. Empirically, we find that model uncertainty escalates during major market events and carries a significantly negative risk premium of approximately half the magnitude of the market. Positive shocks to model uncertainty predict persistent outflows from US equity funds and inflows to Treasury funds.