全部版块 我的主页
论坛 经济学人 二区 外文文献专区
563 13
2022-05-06
英文标题:
《Can Analysts Predict Rallies Better Than Crashes?》
---
作者:
Ivan Medovikov
---
最新提交年份:
2014
---
英文摘要:
  We use the copula approach to study the structure of dependence between sell-side analysts\' consensus recommendations and subsequent security returns, with a focus on asymmetric tail dependence. We match monthly vintages of I/B/E/S recommendations for the period January to December 2011 with excess security returns during six months following recommendation issue. Using a symmetrized Joe-Clayton Copula (SJC) model we find evidence to suggest that analysts can identify stocks that will substantially outperform, but not underperform relative to the market, and that their predictive ability is conditional on recommendation changes.
---
中文摘要:
我们使用copula方法来研究卖方分析师的一致建议与后续证券回报之间的依赖结构,重点是不对称尾部依赖。我们将2011年1月至12月期间I/B/E/S建议的月度年份与建议发布后六个月内的超额安全回报进行匹配。使用对称化的Joe Clayton Copula(SJC)模型,我们发现有证据表明,分析师可以识别出相对于市场表现显著优于但不低于市场表现的股票,并且他们的预测能力取决于建议的变化。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Economics        经济学
分类描述:q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学,包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-6 05:29:19
分析师能否更好地预测反弹而不是崩盘?伊万·梅多维科夫加拿大安大略省圣凯瑟琳市格伦里奇大道500号布罗克大学429广场大楼经济系,L2S 3A1。摘要我们使用copula方法研究了单边分析师的一致建议与后续证券回报之间的依赖结构,重点研究了不对称尾部依赖。我们将2011年1月至12月期间每月收到的I/B/E/S建议与建议发布后六个月内的超额安全申报相匹配。通过使用对称化的Joe Clayton Copula(SJC)模型,我们发现分析师可以识别出与市场相关的股票,这些股票将表现出色,但不会表现不佳,而且它们的预测能力取决于建议的变化。关键词:分析师建议、连接函数、非线性依赖1。在过去的二十年里,分析师建议的投资价值一直是大量研究的主题。考虑到投资银行、经纪公司及其客户在证券分析师身上投入的大量资源,以及媒体和投资大众对这些建议的重视,这并不令人意外。现在普遍认为,分析师具有选股能力,这意味着2014年5月14日提交给《金融研究快报》的tradPreprint基于可能产生正回报的经济建议制定策略(见Stickel(1995)、Womack(1996)、Barber et a l(2001)和Jegadeesh and Kim(2006)等),但这种情况发生的环境并不总是清楚的。建议的可行性似乎取决于许多因素,包括它是否代表对早期意见的修订或重申(Jegadeesh等人(2004年),Barber等人。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-6 05:29:23
(2010年),关于及时获取分析师报告(Green(2006年))、行业(Boni和Womack(2006年))、投资组合周转率(Barber等人(2001年))和接近收益公告(Ivkovi\'c和Jegadeesh(2004年))。虽然推荐可预测性的决定因素受到了实质性的关注,但有趣的是,似乎没有研究关注与GR eat er可预测性相关的回报特征。例如,分析师是否比正常波动更善于预测极端的价格波动?如果是这样,这种关系中是否存在不对称:分析师能否更好地预测重大反弹或崩溃?本文旨在填补这一空白。缺乏关于收益和回报之间的非线性和极端依赖性的文献,可能是因为缺乏合适的多元分布函数,这些函数可以适应推荐和回报的非常不同的边际行为,而已知的回报分布是对称的、轻量级的,推荐分布是倾斜的,通常是双峰的。为此,本文采用copula方法,并使用一个高度灵活的半参数模型来衡量推荐水平与后续安全回报之间的依赖性。据我们所知,这似乎是首次将连接函数应用于文献中的建议分析。我们特别关注尾部依赖,或极端之间的依赖。我们将2011年发布的I/B/E/S共识建议的月度年份与建议发布六个月后相应的超额安全回报进行匹配,并使用对称的Joe Clayton Copula模型,在联合分布的上半部分(而非下半部分)找到了依赖性的有力证据。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-6 05:29:26
换言之,我们发现,推荐值最为有利的股票往往会大幅跑赢大盘,而推荐值最为不利的股票则不会表现不佳,这表明分析师的预测能力在评级分布的两个极端之间是不对称的,并且倾向于选择实质上未被低估而不是被高估的股票。我们还发现,这种关系仅适用于最近出现共识恶化的股票,这表明,这里发现的有利机会可能是由于投资者对分析师对顶级证券前景的过度反应。论文的结构如下。第二节回顾了关联函数的一些基本概念,并介绍了本文使用的关联函数模型和估计技术。第3节讨论了I/B/E/S数据与超额收益的匹配以及数据过滤。第4节给出了估算结果,第5.2节进行了简要讨论。方法学2。1.Copula函数Copula方法是本文的核心,我们首先回顾了Copula理论背后的一些基本概念。考虑一对随机变量X和Y,让F(X)和G(Y)代表它们的边缘分布函数(d.F.-s),H(X,Y)是联合d.F。根据Sklar(1959)的结果,联合d.F.H可以写成asH(X,Y)=C[F(X),G(Y)],(X,Y)∈ R、 (1)其中函数C:[0,1]→ [0,1]是所谓的X和Y的copula。连接函数已经成为依赖性分析的核心,因为它们提供了一个完整的,并且在连续随机变量的情况下,提供了X和Y之间关系的独特描述。让u=F(x)和v=G(y),很明显,copula就是joint d.F。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-6 05:29:29
我们可以写成C(u,v)=H(F)-1(u),G-1(v)),(u,v)∈ [0, 1]. 请注意,对于任何Fand G,u和v在[0,1]上是一致的,这意味着用C编码的dep dependence模型不受边缘的限制。因此,可以通过分别指定边缘结构和从属结构来构建HCA模型。这个函数使得copula s特别适合于分析推荐和安全回报之间的依赖关系,因为它允许f或非常不同的边值的简单组合。关于连接函数的介绍,参见Joe(1997)、Nelsen(2006)、a和Cherubini等人(2004)和Patton(2009)f关于连接函数在金融中的应用。本文的重点是尾部相关性,即极大值之间的相关性,它指的是一个变量的极大值(或极小值)与另一个变量的极大值(或极小值)相关联的趋势。这种相关性通常通过分别表示为λu和λl的上下尾相关性系数进行研究,并定义为:λu=limu→1P r[F(x)≥ u | G(y)≥ v] =利木→11- 2u+C(u,u)1- u(2)λl=limu→0pr[F(x)≤ u | G(y)≤ v] =利木→1C(u,u)u.(3)λu(λl)的值越大,表明数据更倾向于聚集在联合分布的上(左下)尾部,在这种情况下,变量称为上(下)尾部相关变量。λu=0和λl=0的情况对应于尾部没有相关性。我们的目标是估算分析一致性建议水平与后续安全超额回报之间的尾部相关性系数,并测试其重要性和可能的差异。2.2. 对称化Joe Clayton Copular金融序列之间的不对称尾依赖最近引起了一些文献关注。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-6 05:29:32
Patton(2006)和Michelis and Ning(2010)使用copulas来测试不对称汇率依赖性,Ning和Wirjanto(2009)采用copula模型来探索股票指数回报和交易量之间的不对称数据依赖性。在这里,我们采用了一种类似于Ning和Wirjanto(2009)以及Michelis和Ning(2010)的建模方法。为了捕捉退货推荐关系中的不对称性,需要一个充分灵活的C模型。有趣的是,大多数常见的参数copula模型要么完全不允许尾依赖(例如高斯和弗兰克copula),要么只允许依赖于一条尾(例如Gumbel和Clayton copula),要么在所有尾中强制依赖相同(例如t-copula)。我们采用巴顿(2006)的无条件对称化乔·克莱顿(SJC)copula模型,该模型定义为SJC(u,v |λu,λl)=0.5×(CJC(u,v |λu,λl)+(4)CJC(1)- u、 一,- v |λu,λl)+u+v- 1) ,其中CJC(u,v |λu,λl)是由CJC(u,v |λu,λl)=1给出的乔-克莱顿(或BB7)copula-(1-{[1-(1-u) k]-r+[1-(1-v) k]-R-1}-1/r)1/k,(6)k=1/log(2)-λu),r=-1/log(λl)和尾相关参数λuan和λl∈ (0,1)与之前一样定义。SJC copula同时考虑了上下尾的依赖性,λua和λl的值彼此独立确定。2.3. SJC群落密度的估算由CSJ C(u,v |λu,λl)给出=CSJ C(u,v |λu,λl)Uv(7)=0.5×0CJC(u,v |λu,λl)U五+CJC(1)- u、 一,- v |λu,λl)(1 - u)(1 - 五). (8) 相对而言,获得部分CJC(u,v |λu,λl)/Uvfrom(6),感兴趣的读者可以参考米歇里斯和宁(2010)的第4.2.1节,以获得完整的表达。对于λuan和λl,通过最大化相应的copula对数似然函数lc=log(cSJ C(u,v |λu,λl))可以得到估计值λuan和λlca。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群