Heteroskedasticity in Stock Returns
股票收益中的异方差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：摘要明确涉及收益异方差的单因子模型、时变贝塔和 CAPM 检验。
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
股票收益中的异方差
- 研究问题
- 股票组合方差和贝塔随时间变化时，CAPM 检验及风险调整收益与企业规模之间的关系会发生怎样的变化？
- 方法与思路
- 作者利用日度数据预测总体收益方差，估计规模组合的月度方差，并估计异方差单因子模型与常相关模型。
- 材料陈述的贡献
- 摘要称控制异方差后，规模与风险调整收益相关的证据增强；常相关模型的波动率预测与复杂多变量 GARCH 相近。
- 阅读关注点
- 应核对日度信息如何转化为月度方差、异方差因子如何产生时变贝塔，以及 CAPM 检验和波动率比较的具体标准。
- 阅读边界
- 摘要未说明样本区间、模型限制和预测评价设计；预测相近不能解释为常相关模型在其他样本中普遍优于 GARCH。
原文摘要
ABSTRACT We use predictions of aggregate stock return variances from daily data to estimate time‐varying monthly variances for size‐ranked portfolios. We propose and estimate a single factor model of heteroskedasticity for portfolio returns. This model implies time‐varying betas. Implications of heteroskedasticity and time‐varying betas for tests of the capital asset pricing model (CAPM) are then documented. Accounting for heteroskedasticity increases the evidence that risk‐adjusted returns are related to firm size. We also estimate a constant correlation model. Portfolio volatilities predicted by this model are similar to those predicted by more complex multivariate generalized‐autoregressive‐conditional‐heteroskedasticity (GARCH) procedures.