Identifying and exploiting alpha in linear asset pricing models with strong, semi-strong, and latent factors
强、半强及潜在因子下线性资产定价模型的 alpha 识别与利用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：摘要明确研究线性因子资产定价、风险溢价、alpha 与因子强度。
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
强、半强及潜在因子下线性资产定价模型的 alpha 识别与利用
- 研究问题
- 交易因子的风险溢价除因子均值外是否含可由证券 alpha 与载荷横截面关系识别的系统成分，如何估计并构造相应组合？
- 方法与思路
- 作者以 alpha 对因子载荷的横截面回归识别参数 φ，提出两步偏差校正估计，并在允许定价误差、弱遗漏因子等情况下推导分布。
- 材料陈述的贡献
- 摘要称，已知 beta 且 φ 非零时可构造优于均值—方差组合的 φ 组合；另提供估计推断、模拟和美国证券应用中的夏普比率比较。
- 阅读关注点
- 应核对因子强度与 φ 的识别、两步估计中的载荷误差校正，以及组合优越性所用条件、比较标准和实证构造方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未报告实证夏普比率或比较结果，已知 beta 下的理论结论不能直接外推。
原文摘要
The risk premia of traded factors are the sum of factor means and a parameter vector we denote by φ which is identified from the cross section regression of alpha of individual securities on the vector of factor loadings. If phi is non-zero one can construct "phi-portfolios" which exploit the systematic components of non-zero alpha. We show that for known values of betas and when phi is non-zero there exist phi-portfolios that dominate mean-variance portfolios. The paper then proposes a two-step bias corrected estimator of phi and derives its asymptotic distribution allowing for idiosyncratic pricing errors, weak missing factors, and weak error cross-sectional dependence. Small sample results from extensive Monte Carlo experiments show that the proposed estimator has the correct size with good power properties. The paper also provides an empirical application to a large number of U.S. securities with risk factors selected from a large number of potential risk factors according to their strength and constructs phi-portfolios and compares their Sharpe ratios to mean variance and S&P 500 portfolio.