Can Multistep Nonparametric Regressions Beat Historical Average in Predicting Excess Stock Returns?
Notice bibliographique
Résumé
Several economic and financial variables are said to have predictive power over excess stock returns. Empirically there is little consensus among academics, whether these variables have predictive power or not. Results are often sensitive to the econometric model of choice. The econometric models can produce biased results due to the high degree of persistence in predictive variables. Apart from high persistence, the relationship between stock return and the predictive variable may also be misspecified in the model. In order to address possible non-linearities and endogeneity between the residuals and persistent independent variables in predictive regressions, multi-step non-parametric and semiparametric regressions are explored in this paper. In these regressions, the conditional mean and the residuals are estimated separately and then added to obtain the predicted excess stock returns. Goyal and Welch's (2008) predictive variables are used to predict excess S&P 500 returns. The predictive performance of both in-sample and out-of-sample of the two proposed models are compared with the historical average, Ordinary Least Squares (OLS) and non-parametric regressions. The performance of the models is evaluated using Root Mean Squared Errors (RMSEs). The explored models, particularly the two-step nonparametric model, outperform the compared models in-sample. Out-of-sample several variables are found to have predictive ability.
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 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».