Testing the new Fama and French factors with illiquidity: A panel data investigation
Bibliographic record
Abstract
Nous investiguons les cinq nouveaux facteurs de Fama et French (2015, 2016) rehaussés d’une mesure de liquidité bien connue (Pástor and Stambaugh, 2003) à l’aide d’une version du GMM qui recourt à des instruments robustes, cela dans le cadre d’une analyse en panel. Lorsque nous recourons à l’estimateur OLS, notre version du modèle de Fama-French semble avoir un pouvoir explicatif en regard des rendements d’un portefeuille à douze secteurs. Cependant, notre étude en panel suggère que le seul facteur significatif est la prime de risque du marché. Dépendamment de la technique utilisée, nous trouvons que les erreurs de mesure peuvent être à la source de ce résultat, ce qui tend à appuyer le modèle élargi de Fama-French. Comme test de robustesse, nous expérimentons également avec d’autres mesures de liquidité, telles que le ratio d’Amihud (2002) et la prime à terme, ainsi qu’avec des facteurs reliés aux marchés obligataires. Les résultats sont plutôt inchangés pour nos 12 portefeuilles. Nous testons également notre modèle élargi sur des portefeuilles gérés – i.e., des fonds de couverture (hedge funds). Ces portefeuilles semblent mieux adaptés au modèle élargi de Fama-French qui inclut des mesures de liquidités, et plus spécialement lorsque l’on introduit la crise des subprimes . Les nouveaux facteurs de Fama-French semblent également être très sensibles à nos mesures d’illiquidité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".