کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7408432 1481441 2015 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Modeling time-varying skewness via decomposition for out-of-sample forecast
ترجمه فارسی عنوان
مدل سازی شکاف زمانی متغیر از طریق تجزیه برای پیش بینی غیر نمونه
ترجمه چکیده
این مقاله بر اساس یک چارچوب تجزیه پذیر بازگشتی به محصول بازگشت مطلق و علامت آن، شکاف زمانی متغیر را مدل می کند. به طور خاص، وابستگی غیرخطی بین بازده مطلق و نشانه ها با یک تابع مختلط پویا مشخص می شود که بر روند فزاینده ای از بازده مالی تأثیر می گذارد. اهمیت مدل سازی شکاف زمانی متغیر با استفاده از پیش بینی های غیرمستقیم برای بازده سهام اضافی ایالات متحده از لحاظ اهمیت آماری و اهمیت اقتصادی ارزیابی می شود. من متوجه شدم که زمان بندی مدل های وابسته به زمان متغیر پیشنهادی، میانگین دستاوردهای بازدهی تقریبا 195 میلیون بشکه در سال در طول دوره نمونه برداری پیش بینی شده است. از لحاظ آماری، آزمون نوسانات شواهدی قوی نشان می دهد که عملکرد پیش بینی مدل های تجزیه در مسیر زمان نمونه گیری ناپایدار است. در این راستا، یک ترکیب پیش بینی، که بی ثباتی ساختاری قوی تر نسبت به پیش بینی های فردی است، به طور قابل توجهی بهتر از معیارهای خارج از نمونه عمل می کند.
موضوعات مرتبط
علوم انسانی و اجتماعی مدیریت، کسب و کار و حسابداری کسب و کار و مدیریت بین المللی
چکیده انگلیسی
This paper models the time-varying skewness via a return decomposition framework which splits a return into the product of absolute return and its sign. Specifically, the nonlinear dependence between absolute returns and signs is characterized by a dynamic copula function which governs a dynamic skewness process of financial returns. The importance of modeling the time-varying skewness is evaluated via out-of-sample forecasts for the US excess stock returns, in terms of both statistical significance and economic relevance. I find that the skewness timing of the proposed time-varying dependence models yields an average gain in the returns of around 195 basis points per year over the forecast sample period. Statistically, the fluctuation test shows strong evidence that the forecasting performance of the decomposition models is unstable over the sample time path. In this regard, a forecast combination, being more robust to structural instability than the individual forecasts, performs significantly better than the benchmarks out-of-sample.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Forecasting - Volume 31, Issue 2, April–June 2015, Pages 296-311
نویسندگان
,