Efficient Estimation of Conditional Asset Pricing Models
Notice bibliographique
Résumé
A semiparametric efficient estimation procedure is developed for the parameters of multivariate GARCH-in-mean models when the disturbances have a distribution that is assumed to be elliptically symmetric but is otherwise unrestricted. Under high level restrictions, the resulting estimator achieves the asymptotic semiparametric efficiency bound. The elliptical symmetry assumption allows us to avert the curse of dimensionality problem that would otherwise arise in estimating the unknown error distribution. This framework is suitable for the estimation and testing of conditional asset pricing models such as the conditional CAPM, and we apply our estimator in an empirical study of stock prices, with Monte Carlo simulation results also being reported. Nous développons un nouvel estimateur pour les paramètres d'un modèle de GARCH en moyenne (" GARCH-M ") avec plusieurs variables. L'estimateur a l'efficacité semiparamétrique quand les erreurs suivent une loi de probabilité qui est elliptiquement symétrique mais n'aucune autre restriction. Sous les hypothèses de haut niveau, notre estimateur obtient la limite d'efficacité semiparamétrique. L'hypothèse de la symétrie elliptique nous permet d'éviter le problème d'estimer non-paramétriquement une fonction de haut dimension, parce qu'on peut écrire la densité d'un loi elliptique comme un fonction d'une transformation unidimensionnelle de la variable aléatoire multidimensionnelle. Ce cadre est approprié pour analyser des modèles conditionnels des prix des actifs financiers, comme le CAPM conditionnel. Nous appliquons notre méthodologie à l'étude des prix des actions, et nous rendons compte des résultats d'une étude simulation "Monte-Carlo".
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 | 0,007 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».