An Empirical Study of NASDAQ Composite based on the Asset Pricing Models
Notice bibliographique
Résumé
The Fama and French five-factor model (FF5 model) has been widely used in finance to explain the returns of stocks. This model posits that stock returns can be explained by five factors: market beta, size, value, profitability and investment pattern. Despite its wide use, there has been limited empirical research on whether FF5 model is the superior in the context of the NASDAQ composite index (IXIC). This paper aims to fill this gap by conducting empirical research on the validity of the FF5 model compared with other asset pricing models. The study uses seventy-five stocks listed on the NASDAQ composite from January 2002 to December 2021 to test the validity of the FF5 model. The data was analyzed using regression analysis, with stock returns as the dependent variable and the five factors as the independent variables. The results of the study provide evidence for the validity of the FF5 model compared with other asset pricing models. It suggests that the FF5 model can explain stocks on the NASDAQ composite and it is superior compared with other asset pricing models. Result also indicated that the market beta, size, value, profitability and investment factors can have significant impact to stock returns. Thus, results suggests that the FF5 model can be used to effectively predict rate of return of stocks on the NASDAQ composite.
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 | 0,001 | 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 | 0,000 | 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 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 ».