Dynamic Quantile Panel Data Analysis of Stock Returns Predictability
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p>This paper analyses the effect of financial ratios on stock returns using quantile regression for dynamic panel data with fixed effects. Eighty three firms of manufacturing industry, which were traded on the Borsa Istanbul for 2000-2014 period, are covered in the study. The most of financial variables have heterogeneous structure so they generally include extreme values. Thus, panel quantile regression technique, suggested by Koenker (2004), is used. Since the technique yields robust estimator in the case of extreme values the Gaussian estimators will be biased and not efficient. The sensitivity of relationship, on the other hand, can be studied for different parts of the stock returns’ conditional distribution by using quantile regression technique. However, because of that the lagged of dependent variable is used as an explanatory variable in dynamic panel models, fixed effect estimators will be biased. Thereby, in this study the instrumental variable approach suggested by Chernozhukov and Hansen (2006) is used to produce unbiased and consistent estimators.</p>The results show that the stock returns respond to the changes on the financial leverage ratio, the dividend yield, the market-to-book value ratio, financial beta and the total active profitability variables differently for the different parts of the stock returns’ conditional distribution. They also indicate that, at high quantiles, return fluctuations in the current period will be more effective for investors’ transaction attitudes on stocks for the next period.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle