Robust Cauchy-Based Methods for Predictive Regressions
预测回归中的稳健柯西方法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。
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：摘要研究持久时间序列预测回归，并明确以股票超额收益及估值比率检验收益预测能力。
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…
预测回归中的稳健柯西方法
- 研究问题
- 预测变量具有内生持久性、近非平稳性或厚尾，且误差波动持续时，如何减少预测回归检验的尺寸失真并评估收益可预测性？
- 方法与思路
- 作者基于柯西估计构造分组 t 统计量检验及柯西与 OLS 混合检验，在连续和离散时间模型中模拟，并应用于股票超额收益。
- 材料陈述的贡献
- 摘要称两类检验在所考察情景中改善有限样本表现；收益应用中，股息价格比呈现预测力，盈利价格比未显示显著预测力。
- 阅读关注点
- 应核对持久性、内生性与厚尾设定，分组和混合检验的调参规则，以及收益应用的样本范围、预测期限和稳健性检验。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；渐近条件、模拟数值及实证样本未说明，应用结果不能直接外推。
原文摘要
This paper develops robust inference methods for predictive regressions that address key challenges posed by endogenously persistent or heavy-tailed regressors, as well as persistent volatility in errors. Building on the Cauchy estimation framework, we propose two novel tests: one based on $t$-statistic group inference and the other employing a hybrid approach that combines Cauchy and OLS estimation. These methods effectively mitigate size distortions that commonly arise in standard inference procedures under endogeneity, near nonstationarity, heavy tails, and persistent volatility. The proposed tests are simple to implement and applicable to both continuous- and discrete-time models. Extensive simulation experiments demonstrate favorable finite-sample performance across a range of realistic settings. An empirical application examines the predictability of excess stock returns using the dividend-price and earnings-price ratios as predictors. The results suggest that the dividend-price ratio possesses predictive power, whereas the earnings-price ratio does not significantly forecast returns.