Identifying Bull and Bear Markets in Stock Returns
识别股票收益中的牛市与熊市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：摘要直接建模股票收益的条件方差、熊市波动率随持续时间的变化及波动聚集，因此归入波动率方向。
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
识别股票收益中的牛市与熊市
- 研究问题
- 股票收益的条件均值与条件方差存在非线性时，如何识别牛熊状态，并刻画状态持续时间与退出风险、波动率的关系？
- 方法与思路
- 作者采用含持续时间依赖的 Markov 状态转换模型，将收益划分为高收益稳定状态和低收益高波动状态，分别定义为牛市与熊市。
- 材料陈述的贡献
- 摘要称，滤波识别了逾160年月度数据中的主要下跌；牛市退出风险随时长下降，熊市波动率随时长上升，并可刻画波动聚集。
- 阅读关注点
- 应核对持续时间如何进入状态转移与方差方程、滤波所用的信息集，以及主要下跌的判定规则和波动聚集的拟合证据。
- 阅读边界
- 摘要未说明市场范围、估计不确定性及样本外验证；历史滤波识别结果不能直接表明模型具备实时预测能力。
原文摘要
This article uses a Markov-switching model that incorporates duration dependence to capture non-linear structure in both the conditional mean and the conditional variance of stock returns. The model sorts returns into a high-return stable state and a low-return volatile state. We label these as bull and bear markets, respectively. The filter identifies all major stock-market downturns in over 160 years of monthly data. Bull markets have a declining hazard function although the best market gains come at the start of a bull market. Volatility increases with duration in bear markets. Allowing volatility to vary with duration captures volatility clustering.