Predictive quantile regression with persistent covariates: IVX-QR approach
持续协变量下的预测分位数回归：IVX-QR 方法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：摘要直接提出预测分位数回归方法，并用于美国股票收益在不同分位水平上的可预测性分析。
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
持续协变量下的预测分位数回归：IVX-QR 方法
- 研究问题
- 预测变量高度持续时，如何修正传统分位数回归推断的失效，并在不同条件分位水平上研究股票收益可预测性？
- 方法与思路
- 作者采用并扩展 IVX 滤波，将其用于含多元持续预测变量的分位数回归推断与预测，并通过模拟和美国股票收益应用考察。
- 材料陈述的贡献
- 摘要称 IVX-QR 能修正持续预测变量引起的失真并保留辨别能力，模拟显示其继承分位数回归的稳健性质。
- 阅读关注点
- 应核对允许的持续性范围、IVX 工具与调节参数构造，以及不同分位点的有效性、功效和收益预测检验结果。
- 阅读边界
- 仅据所给出版社摘要，无法确定具体渐近条件、稳健性的含义或各分位点应用结论；摘要未报告收益预测的具体结果。
原文摘要
This paper develops econometric methods for inference and prediction in quantile regression (QR) allowing for persistent predictors. Conventional QR econometric techniques lose their validity when predictors are highly persistent. I adopt and extend a methodology called IVX filtering (Magdalinos and Phillips, 2009) that is designed to handle predictor variables with various degrees of persistence. The proposed IVX-QR methods correct the distortion arising from persistent multivariate predictors while preserving discriminatory power. Simulations confirm that IVX-QR methods inherit the robust properties of QR. These methods are employed to examine the predictability of US stock returns at various quantile levels.