Testing the new Fama and French factors with illiquidity: A panel data investigation
Notice bibliographique
Résumé
Nous investiguons les cinq nouveaux facteurs de Fama et French (2015, 2016) rehaussés d’une mesure de liquidité bien connue (Pástor and Stambaugh, 2003) à l’aide d’une version du GMM qui recourt à des instruments robustes, cela dans le cadre d’une analyse en panel. Lorsque nous recourons à l’estimateur OLS, notre version du modèle de Fama-French semble avoir un pouvoir explicatif en regard des rendements d’un portefeuille à douze secteurs. Cependant, notre étude en panel suggère que le seul facteur significatif est la prime de risque du marché. Dépendamment de la technique utilisée, nous trouvons que les erreurs de mesure peuvent être à la source de ce résultat, ce qui tend à appuyer le modèle élargi de Fama-French. Comme test de robustesse, nous expérimentons également avec d’autres mesures de liquidité, telles que le ratio d’Amihud (2002) et la prime à terme, ainsi qu’avec des facteurs reliés aux marchés obligataires. Les résultats sont plutôt inchangés pour nos 12 portefeuilles. Nous testons également notre modèle élargi sur des portefeuilles gérés – i.e., des fonds de couverture (hedge funds). Ces portefeuilles semblent mieux adaptés au modèle élargi de Fama-French qui inclut des mesures de liquidités, et plus spécialement lorsque l’on introduit la crise des subprimes . Les nouveaux facteurs de Fama-French semblent également être très sensibles à nos mesures d’illiquidité.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».