Modeling Financial Return Dynamics via Decomposition
通过分解建模金融收益动态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：摘要明确研究股票收益预测，并利用收益绝对值及波动的动态依赖构造模型。
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…
通过分解建模金融收益动态
- 研究问题
- 研究能否利用收益方向和绝对值较强的时间依赖，刻画超额股票收益的非线性动态，并改善传统预测回归的预测表现。
- 方法与思路
- 作者将收益分解为符号与绝对值的乘积，分别采用动态二元选择模型和乘法误差模型，再以 copula 描述二者的依赖。
- 材料陈述的贡献
- 摘要称分解模型能容纳标准预测回归难以捕捉的非线性，且美国股票收益应用显示具有统计与经济意义的预测增益。
- 阅读关注点
- 应核对符号与幅度模型、copula 的选择和估计方式，以及预测评估的信息集、样本划分、基准设定和经济意义指标。
- 阅读边界
- 仅据所给 OpenAlex 摘要；未说明样本区间、预测增益数值或经济评价方法，无法判断结果在其他市场中的适用性。
原文摘要
While the predictability of excess stock returns is detected by traditional predictive regressions as statistically small, the direction-of-change and volatility of returns exhibit a substantially larger degree of dependence over time. We capitalize on this observation and decompose the returns into a product of sign and absolute value components whose joint distribution is obtained by combining a multiplicative error model for absolute values, a dynamic binary choice model for signs, and a copula for their interaction. Our decomposition model is able to incorporate important nonlinearities in excess return dynamics that cannot be captured in the standard predictive regression setup. The empirical analysis of U.S. stock return data shows statistically and economically significant forecasting gains of the decomposition model over the conventional predictive regression.