Nonparametric predictive regression
非参数预测回归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。
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：摘要应用于月度股票收益预测，并明确处理单整、分数过程与近单位根过程，支持收益预测和时间序列分类。
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…
非参数预测回归
- 研究问题
- 当预测变量的单整性质未知，可能平稳或非平稳时，如何统一检验预测关系，并处理非线性及不同持续性带来的推断问题？
- 方法与思路
- 作者提出两个易实施的非参数F检验，为平稳、非平稳分数过程及近单位根预测变量建立统一且无干扰参数的极限分布。
- 材料陈述的贡献
- 摘要称，在偏离单位根较大或预测回归非线性时，理论与模拟显示所提检验比已有参数检验更有功效，并提供股票收益应用。
- 阅读关注点
- 应核对允许的预测变量过程、非参数回归与平滑参数设定，以及无干扰参数结论的条件和功效比较所采用的备择。
- 阅读边界
- 所给出版社摘要未说明完整过程条件、有限样本尺寸或功效数值；所述优势具有特定情形限制，不能推断所有预测关系均适用。
原文摘要
A unifying framework for inference is developed in predictive regressions where the predictor has unknown integration properties and may be stationary or nonstationary. Two easily implemented nonparametric F-tests are proposed. The limit distribution of these predictive tests is nuisance parameter free and holds for a wide range of predictors including stationary as well as non-stationary fractional and near unit root processes. Asymptotic theory and simulations show that the proposed tests are more powerful than existing parametric predictability tests when deviations from unity are large or the predictive regression is nonlinear. Empirical illustrations to monthly SP500 stock returns data are provided.