International equity risk premium predictability in the frequency domain
Bibliographic record
Abstract
Nesta dissertação, estendemos o método SOPWAV de Faria e Verona (2018), que foi desenvolvido para prever o retorno das ações no mercado dos Estados Unidos da América, para mercados internacionais. O SOPWAV é baseado no método sum of the parts (SOP) proposto por Ferreira e Santa Clara (2011), que decompõe o retorno das ações em três partes diferentes, com o objetivo de, num primeiro momento, estimar cada uma destas separadamente e, num segundo momento, somá-las para obter a previsão do retorno das ações. O SOPWAV usa as frequências das três partes referidas, em vez das séries temporais originais (utilizadas no SOP), para as estimar, através de métodos de decomposição de onduletas. O método SOPWAV permite isolar as frequências das partes dos retornos das ações que contêm maior poder preditivo. Através dos resultados obtidos, percebemos que este método melhora significativamente a previsão dos retornos das ações na amostra dos países analisados, nomeadamente, Japão, Reino Unido, França, Alemanha, Canada, Suíça, Austrália e África do Sul. Para além de melhorar a previsão dos retornos, o método SOPWAV, de um modo geral, permite também maiores ganhos de utilidade para um investidor, quando comparados com a média histórica e o SOP; ganhos de utilidade, comprovados em estratégias de trading, que foram simuladas no decorrer desta investigação.
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 | 0.001 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".