Multi-factor asset pricing models in emerging and developed markets
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
Purpose The purpose of this paper is to compare the performance of various multifactor asset pricing models across ten emerging and developed markets. Design/methodology/approach The general methodology to test asset pricing models involves regressing test asset returns (left-hand side assets) on pricing factors (right-hand side assets). Then the performance of different models is evaluated based on how well they price multiple test assets together. The parameters used to compare relative performance of different models are their pricing errors (GRS statistic and average absolute intercepts) and explained variation (average adjusted R 2 ). Findings The Fama-French five-factor model improves the pricing performance for stocks in Australia, Canada, China and the USA. The pricing in these countries appears to be more integrated. However, the superior performance in these four countries is not consistent across a variety of test assets and the magnitude of reduction in pricing errors vis-à-vis three- or four-factor models is often economically insignificant. For other markets, the parsimonious three-factor model or its four-factor variants appear to be more suitable. Originality/value Unlike most asset pricing studies that use test assets based on variables that are already used to construct RHS factors, this study uses test assets that are generally different from RHS sorts. This makes the tests more robust and less biased to be in favour of any multifactor model. Also, most international studies of asset pricing tests use data for different markets and combine them into regions. This study provides the evidence from ten countries separately because prior research has shown that locally constructed factors are more suitable to explain asset prices. Further, this study also tests for the usefulness of adding a quality factor in the existing asset pricing models.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 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