Factor‐Based Quantile Forecasting With Textual Data
利用文本数据的因子分位数预测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：摘要以分位数因子预测工业生产和汇率收益，并明确强调尾部风险。
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…
利用文本数据的因子分位数预测
- 研究问题
- 如何从文本中提取针对特定分位数、预测目标和期限的信息，以改善汇率收益与工业生产增长的分位数预测及尾部风险刻画？
- 方法与思路
- 作者在分位数因子模型中嵌入注意力机制，建立渐近结果，并比较文本预测、投资组合应用、滚动与递归方案及合成虚假信息压力测试。
- 材料陈述的贡献
- 摘要称定向文本改善分位数预测，二元和三元词组推动收益；组合应用表现更好，且所设虚假新闻测试未产生虚假的可预测性。
- 阅读关注点
- 应核对注意力与因子的估计条件、文本时间戳及样本外信息可得性，并检查基准公平性、词组贡献和虚假信息测试的具体构造。
- 阅读边界
- 仅依据给定 Crossref 版本摘要。渐近条件、改进幅度和组合成本未说明；所设压力测试不能证明模型对所有虚假信息均稳健。
原文摘要
ABSTRACT Words matter for predicting tail risks. We propose an attention mechanism embedded in a quantile factor model, yielding information that is quantile‐specific, target‐specific, and horizon‐specific. We establish new asymptotic results and show empirically that targeted textual data improve quantile forecasts of exchange‐rate returns and industrial production growth relative to strong benchmarks and other conditional‐quantile models. Bigrams and trigrams drive these gains, extending evidence that collocations enhance forecasting. A portfolio‐management application yields better allocations and higher risk‐adjusted performance. Robustness checks include a synthetic‐misinformation stress test, which shows that fabricated news does not create spurious predictability. Results are consistent across targets, horizons, and both rolling and recursive schemes.