Asset pricing with neural networks: Significance tests
神经网络资产定价中的显著性检验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：题名涉及资产定价，摘要明确将检验用于股票风险溢价预测变量的显著性分析。
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…
神经网络资产定价中的显著性检验
- 研究问题
- 如何检验多层感知机回归中输入变量的统计显著性，并判断哪些变量为股票风险溢价预测提供有效信息？
- 方法与思路
- 作者构造输入变量显著性检验，利用筛法建立一致性与估计速率理论，再通过蒙特卡洛和不同网络架构开展分析。
- 材料陈述的贡献
- 摘要称，模拟中检验具有较高功效和较低假阳性率；应用仅发现少数特征显著，宏观预测变量在百分之一水平下均不显著。
- 阅读关注点
- 应核对显著性原假设、网络复杂度及筛法条件，并检查变量相关性、多重检验和架构选择如何影响应用结论。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本；样本、变量与检验校准细节未说明，不显著不等于无作用，也不能推断后续刊本变化。
原文摘要
This study proposes a novel hypothesis test for evaluating the statistical significance of input variables in multi-layer perceptron (MLP) regression models. Theoretical foundations are established through consistency results and estimation rate analysis using the sieves method. To validate the test’s performance in complex and realistic settings, an extensive Monte Carlo simulation is conducted. Results of the simulation reveal that the test has a high power and low rate of false positives, making it a powerful tool for detecting true effects in data. The test is further applied to identify the most influential predictors of equity risk premiums, with results indicating that only a small number of characteristics have statistical significance and all macroeconomic predictors are insignificant at the 1% level. These findings are consistent across a variety of neural network architectures.