An Asymptotic Theory for Estimating Beta‐Pricing Models Using Cross‐Sectional Regression
使用横截面回归估计贝塔定价模型的渐近理论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：摘要直接研究贝塔定价模型、因子误设及横截面风险溢价估计。
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
使用横截面回归估计贝塔定价模型的渐近理论
- 研究问题
- 在不假定条件同方差且可能存在模型误设时，两阶段横截面回归的风险溢价估计、标准误和显著性检验有何性质？
- 方法与思路
- 作者建立两阶段横截面回归的一般渐近分布理论，分析因子误设及贝塔定价模型误设对风险溢价和公司特征检验的影响。
- 材料陈述的贡献
- 摘要称，Fama–MacBeth 标准误未必高估精度；因子误设可导致虚假显著，公司特征的检验可帮助发现定价模型误设。
- 阅读关注点
- 应核对因子误设与定价模型误设的区别、渐近框架及标准误条件，并检查公司特征检验适用的模型与限制。
- 阅读边界
- 摘要未列出完整正则条件、修正标准误公式或有限样本表现；所述检验发散结论不能直接推广到所有因子与公司特征。
原文摘要
ABSTRACT Without the assumption of conditional homoskedasticity, a general asymptotic distribution theory for the two‐stage cross‐sectional regression method shows that the standard errors produced by the Fama–MacBeth procedure do not necessarily overstate the precision of the risk premium estimates. When factors are misspecified, estimators for risk premiums can be biased, and the t ‐value of a premium may converge to infinity in probability even when the true premium is zero. However, when a beta‐pricing model is misspecified, the t ‐values for firm characteristics generally converge to infinity in probability, which supports the use of firm characteristics in cross‐sectional regressions for detecting model misspecification.