Beta-Sorted Portfolios
Beta 排序组合的计量经济学性质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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论 beta 排序组合、条件期望收益模型与风险因子定价，直接对应资产定价与金融因子方向；未涉及因果识别、面板或时间序列方法等细分。
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…
Beta 排序组合的计量经济学性质
- 研究问题
- 摘要称，研究 beta 排序组合（按与选定风险因子的协动性分组构建的组合）收益的计量经济学性质，考察其在估计与推断上的有效性条件。
- 方法与思路
- 作者提出将该程序刻画为两步非参数估计量：第一步非参数、第二步为 beta 自适应的组合构建，并在对数据生成过程给出经济与统计假设下分析其性质。
- 材料陈述的贡献
- 摘要称给出保证有效估计与推断的条件，覆盖金融应用中的多类假设；指出收敛速度随 beta 取值变化，推断有效性关键取决于所关注对象，并讨论 Fama-MacBeth 方差估计量的缺陷，提出新的方差估计量。
- 阅读关注点
- 应核对非参数第一步与 beta 自适应构造的具体假设、收敛速度随 beta 变化的条件、新方差估计量的形式与适用对象，以及两个实证应用（含商业信用周期风险因子）的识别与推断细节。
- 阅读边界
- 仅凭摘要无法判断假设的可检验性、估计量在有限样本下的表现、新方差估计量相对既有方法的实际改进幅度，以及实证结果是否稳健；摘要未说明具体数据、样本期与数值结果。
原文摘要
Beta-sorted portfolios---portfolios comprised of assets with similar covariation with selected risk factors---are a popular tool in empirical finance to analyze models of (conditional) expected returns. Despite their widespread use, little is known of their econometric properties in contrast to comparable procedures such as two-pass regressions. We formally investigate the properties of beta-sorted portfolio returns by casting the procedure as a two-step nonparametric estimator with a nonparametric first step and a beta-adaptive portfolio construction. Our framework rationalizes the well-known estimation algorithm with precise economic and statistical assumptions on the general data-generating process. We provide conditions which ensure valid estimation and inference allowing for a range of hypotheses of interest in financial applications. We show that the rate of convergence of the estimator changes depending on the value of beta. We demonstrate that valid inference depends critically on the object of interest and discuss drawbacks of the widely used Fama-MacBeth variance estimator. To address these limitations, we propose a new variance estimator. We demonstrate the usefulness of our theoretical results in two empirical applications, including one in which we introduce a novel risk factor that captures the business credit cycle and show that it predicts both the cross-sectional and time-series behavior of U.S. stock returns.