Efficient Semiparametric Estimation of the Fama-French Model and Extensions
Fama–French 模型及其扩展的有效半参数估计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：摘要直接研究股票收益因子、特征与贝塔的关系，并检验多因子贝塔定价理论，支持金融因子与资产定价分类。
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
Fama–French 模型及其扩展的有效半参数估计
- 研究问题
- 如何在股票收益的特征型因子模型中，联合估计因子收益与特征—贝塔关系，并容纳更多因子、检验多因子贝塔定价理论？
- 方法与思路
- 作者把模型写为加权可加非参数回归，以因子收益为时变权重，汇集时间序列与横截面信息，联合估计因子收益及特征—贝塔函数。
- 材料陈述的贡献
- 摘要称，方法通过可加结构避免维数灾难，并提出非参数定价检验；应用中动量与自身波动率因子解释收益共动的作用至少不弱于规模和价值因子。
- 阅读关注点
- 应核对因子收益与贝塔函数的识别和归一化、平滑与效率条件、定价检验的原假设及一般备择，以及各因子比较的样本依据。
- 阅读边界
- 摘要未给出效率界、数据区间和检验结果细节；关于解释收益共动的比较不能据此延伸为收益预测能力或投资表现的结论。
原文摘要
This paper develops a new estimation procedure for characteristic-based factor models of stock returns. We treat the factor model as a weighted additive nonparametric regression model, with the factor returns serving as time-varying weights and a set of univariate nonparametric functions relating security characteristic to the associated factor betas. We use a time-series and cross-sectional pooled weighted additive nonparametric regression methodology to simultaneously estimate the factor returns and characteristic-beta functions. By avoiding the curse of dimensionality, our methodology allows for a larger number of factors than existing semiparametric methods. We apply the technique to the three-factor Fama–French model, Carhart’s four-factor extension of it that adds a momentum factor, and a five-factor extension that adds an own-volatility factor. We find that momentum and own-volatility factors are at least as important, if not more important, than size and value in explaining equity return comovements. We test the multifactor beta pricing theory against a general alternative using a new nonparametric test