A penalized two-pass regression to predict stock returns with time-varying risk premia
利用时变风险溢价预测股票收益的惩罚两步回归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：摘要明确涉及无套利限制、时变因子载荷和风险溢价估计，并以股票超额收益预测为目标。
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…
利用时变风险溢价预测股票收益的惩罚两步回归
- 研究问题
- 当因子载荷和风险溢价随时间变化时，如何在选择动态驱动变量的同时保持无套利约束，并预测股票超额收益？
- 方法与思路
- 作者提出惩罚两步回归，第一步对适当系数组进行正则化以兼顾稀疏性和无套利限制，第二步估计风险溢价用于预测。
- 材料陈述的贡献
- 摘要称分组惩罚相对未适当分组的方法及固定因子模型降低预测误差，并显示未分组惩罚可能大量违反无套利限制。
- 阅读关注点
- 应核对无套利限制如何转化为系数组、惩罚参数选择、两步估计误差传播，以及收益预测比较的样本与评价设计。
- 阅读边界
- 这是预印本，不能据此确认同行评审或期刊接收；摘要未给出误差降幅或统计检验，结果仅对应所述模拟和美国股票样本。
原文摘要
We develop a penalized two-pass regression with time-varying factor loadings. The penalization in the first pass enforces sparsity for the time-variation drivers while also maintaining compatibility with the no-arbitrage restrictions by regularizing appropriate groups of coefficients. The second pass delivers risk premia estimates to predict equity excess returns. Our Monte Carlo results and our empirical results on a large cross-sectional data set of US individual stocks show that penalization without grouping can yield to nearly all estimated time-varying models violating the no-arbitrage restrictions. Moreover, our results demonstrate that the proposed method reduces the prediction errors compared to a penalized approach without appropriate grouping or a time-invariant factor model.