On the 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可预测性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：摘要明确研究标普500超额收益的递归预测及其与线性回归的比较。
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可预测性
- 研究问题
- 贝叶斯正则化神经网络预测标普500超额收益的结果能否复现，其递归预测形成的切换组合是否优于线性回归基准？
- 方法与思路
- 作者依据被复现研究说明的软件、方法和数据，重新生成递归神经网络预测，并比较切换组合的累计财富与风险表现。
- 材料陈述的贡献
- 摘要称，复现未支持原研究的结论，所得神经网络组合反而具有更低累计财富和更高风险，提出具体的可复现性疑问。
- 阅读关注点
- 应核对两项研究的软件设置、递归训练和预测窗口、组合规则、风险定义，以及复现差异是否源于未披露的实施细节。
- 阅读边界
- 仅依据所给RePEc出版社摘要。未提供性能数值或复现失败的原因，不能据此判断所有神经网络收益预测方法，更不能形成投资建议。
原文摘要
In a recent article by Qi, neural networks trained by Bayesian regularization were used to predict excess returns on the S&P 500. The article concluded that the switching portfolio based on the recursive neural-network forecasts generates higher accumulated wealth with lower risks than that based on linear regression. Unfortunately, attempts to replicate the results were unsuccessful. Replicated results using the same software, approach and data detailed by Qi indicate that, in fact, the switching portfolio based on the recursive neural-network forecasts generates lower accumulated wealth with higher risks than that based on linear regression.