Notice bibliographique
Résumé
Abstract This paper studies risk premia in the foreign exchange market when investors entertain multiple models for consumption growth. Investors confront two sources of uncertainty: (1) individual models might be misspecified, and (2) it is not known which of these potentially misspecified models is the best approximation to the actual data-generating process. Following Hansen and Sargent (Hansen, L. P., and T. J. Sargent. 2010. “Fragile Beliefs and the Price of Uncertainty.” Quantitative Economics 1 (1): 129–162.), agents formulate “robust” portfolio policies. These policies are implemented by applying two risk-sensitivity operators. One is forward-looking, and pessimistically distorts the state dynamics of each individual model. The other is backward-looking, and pessimistically distorts the probability weights assigned to each model. A robust learner assigns higher weights to worst-case models that yield lower continuation values. The magnitude of this distortion evolves over time in response to realized consumption growth. It is shown that robust learning not only explains unconditional risk premia in the foreign exchange market, it can also explain the dynamics of risk premia. In particular, an empirically plausible concern for model misspecification and model uncertainty generates a stochastic discount factor that uniformly satisfies the spectral Hansen-Jagannathan bound of Otrok et al. (Otrok, C., B. Ravikumar, and C. H. Whiteman. 2007. “A Generalized Volatility Bound for Dynamic Economies.” Journal of Monetary Economics 54 (8): 2269–2290.).
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».