Information content of option prices: Comparing analyst forecasts to option-based forecasts
Notice bibliographique
Résumé
The asset pricing literature has been producing increasingly complex and computationally intensive models of stock returns. Separately, professional analysts’ forecast stock returns. Are the sophisticated methods found in the asset pricing literature achieving different forecasts to those of analysts?’ Do the two forecasts’ even capture the same information? In this paper, I hypothesize that analyst forecasts and forecasts constructed using option prices will be different because they place different weights on available information. Using hypothesis tests and quantile regressions, I find that option-based forecasts are statistically significantly different from analyst forecasts at every level of the forecast distribution. Using cross-sectional regressions, I find that the difference originates in the weighting structure of the information sets used to create the forecasts: option-based forecasts incorporate information about the probability of extreme events more heavily while analyst forecasts focus on information about firm and macroeconomic fundamentals. • We compare analyst and option-based forecasts to determine if (1) they are different and (2) if the information they contain is different. • Option-based forecasts and analyst forecasts are statistically significantly different at all levels of the forecast distribution. • Differences arise from the weighting structure of the information sets used to create forecasts. • Option-based forecasts heavily incorporate information about the probability of extreme events. • Analyst forecasts place more emphasis on firm and macroeconomic fundamentals.
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 | 0,001 |
| 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 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 ».