Nonlinear Predictability of Stock Returns Using Financial and Economic Variables
利用金融与经济变量预测股票收益的非线性方法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：摘要直接研究股票超额收益的非线性预测，并比较递归模型的样本外预测表现。
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
利用金融与经济变量预测股票收益的非线性方法
- 研究问题
- 金融与经济预测变量和股票超额收益之间是否存在可用于预测的非线性关系，其样本外表现与线性模型相比如何？
- 方法与思路
- 作者以神经网络递归建模超额收益与预测变量的关系，比较样本内拟合及样本外预测，并评估据递归预测形成的切换投资组合。
- 材料陈述的贡献
- 摘要称，神经网络的拟合和样本外预测优于线性对应模型，相关切换组合在研究比较中收益更高、风险更低；未报告具体幅度。
- 阅读关注点
- 应核对预测变量的可用时点、递归训练与调参、样本外划分和比较指标，并检查组合评估是否计入交易成本及如何衡量风险。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，样本、统计显著性和交易成本未说明；历史研究中的比较结果不能直接推断为未来可实现的表现。
原文摘要
Inspired by the linear predictability and nonlinearity found in the finance literature, this article examines the nonlinear predictability of the excess returns. The relationship between the excess returns and the predicting variables is recursively modeled by a neural-network model, which is capable of performing flexible nonlinear functional approximation. The nonlinear neural-network model is found to have better in-sample fit and out-of-sample forecasts compared to its linear counterpart. Moreover, the switching portfolio based on the recursive neural-network forecasts generates higher profits with lower risks than both the buy-and-hold market portfolio and the switching portfolio based on linear recursive forecasts.