Market efficiency in the age of big data
大数据时代的市场有效性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：摘要同时讨论均衡价格形成、收益横截面可预测性，以及市场效率的样本内外检验。
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
大数据时代的市场有效性
- 研究问题
- 当潜在预测变量数量与资产数量相近时，样本内收益可预测性是否仍能用于判断投资者的信息利用效率？
- 方法与思路
- 作者建立均衡模型，使N项资产现金流线性依赖J项特征，由风险中性的贝叶斯投资者学习未知系数并形成价格。
- 材料陈述的贡献
- 摘要称J与N规模相近时，即使投资者实时最优使用信息，样本内检验仍易拒绝不可预测性；样本外检验保留经济含义。
- 阅读关注点
- 应核对高维规模关系、投资者学习和价格形成机制，以及样本内拒绝与样本外检验经济解释之间的理论联系。
- 阅读边界
- 摘要结论来自所述均衡模型，未说明一般偏好、其他信息结构或真实市场下的适用性，不能直接判定具体市场效率。
原文摘要
Modern investors face a high-dimensional prediction problem: thousands of observable variables are potentially relevant for forecasting. We reassess the conventional wisdom on market efficiency in light of this fact. In our equilibrium model, N assets have cash flows that are linear in J characteristics, with unknown coefficients. Risk-neutral Bayesian investors learn these coefficients and determine market prices. If J and N are comparable in size, returns are cross-sectionally predictable ex post. In-sample tests of market efficiency reject the no-predictability null with high probability, even though investors use information optimally in real time. In contrast, out-of-sample tests retain their economic meaning.