How Useful are Historical Data for Forecasting the Long-Run Equity Return Distribution?
历史数据对预测股票收益长期分布有多大用处？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：摘要以股票收益长期分布的预测为目标，核心方法显式处理结构突变，分别对应收益预测与结构变化。
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
历史数据对预测股票收益长期分布有多大用处？
- 研究问题
- 存在结构突变时，历史数据对股票收益长期无条件分布预测有多大帮助，如何实时决定应使用哪些历史信息？
- 方法与思路
- 作者利用不同历史数据区间估计多个子模型，对其预测作概率加权平均，同时实时学习结构突变及其预测影响。
- 材料陈述的贡献
- 摘要称实证结果强烈反对忽略结构变化或使用固定长度滚动窗口，并指出突变会改变长期收益分布的形状。
- 阅读关注点
- 核对结构突变的建模、子模型与权重更新、实时信息集和样本外密度评价，并查明最优利用历史数据所需的条件。
- 阅读边界
- 摘要未说明股票样本、突变设定、概率权重来源或预测评分指标，不能据此判断结论对其他市场和预测期限的适用性。
原文摘要
We provide an approach to forecasting the long-run (unconditional) distribution of equity returns making optimal use of historical data in the presence of structural breaks. Our focus is on learning about breaks in real time and assessing their impact on out-of-sample density forecasts. Forecasts use a probability-weighted average of submodels, each of which is estimated over a different history of data. The empirical results strongly reject ignoring structural change or using a fixed-length moving window. The shape of the long-run distribution is affected by breaks, which has implications for risk management and long-run investment decisions.