Direkt zur Hauptnavigation springen Direkt zum Inhalt springen
info(at)avldigital.remove-this.de
Deutsch English
Letzte Suchanfragen

Ergebnisse für *

Zeige Ergebnisse 1 bis 6 von 6.

  1. Who are the arbitrageurs?
    empirical evidence from Bitcoin traders in the Mt. Gox exchange platform
    Autor*in: Saggese, Pietro; Belmonte, Alessandro; Dimitri, Nicola; Facchini, Angelo; Böhme, Rainer
    Erschienen: [2021]
    Verlag:  Università di Siena, [Siena]

    Zugang:
    Verlag (kostenfrei)
    Verlag (kostenfrei)

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Signatur:
    VS 444
    Fernleihe:
    keine Fernleihe
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Verbundkataloge
    Sprache: Englisch
    Medientyp: Buch (Monographie)
    Format: Online
    Schriftenreihe: Quaderni del Dipartimento di economia politica e statistica ; n. 860 (settembre 2021)
    Schlagworte: Arbitrage; Bitcoin; Cryptocurrency Exchanges; Financial Econometrics; Behavior of Economic Agents
    Umfang: 1 Online-Ressource (circa 94 Seiten), Illustrationen
  2. How and When are High-Frequency Stock Returns Predictable?
    Autor*in: Aït-Sahalia, Yacine; Fan, Jianqing; Xue, Lirong; Zhou, Yifeng
    Erschienen: August 2022
    Verlag:  National Bureau of Economic Research, Cambridge, Mass

    This paper studies the predictability of ultra high-frequency stock returns and durations to relevant price, volume and transactions events, using machine learning methods. We find that, contrary to low frequency and long horizon returns, where... mehr

    Zugang:
    Verlag (kostenfrei)
    Resolving-System (kostenfrei)

    Standort:
    Sächsische Landesbibliothek - Staats- und Universitätsbibliothek Dresden
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Freiburg
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Fernleihe:
    keine Fernleihe

     

    This paper studies the predictability of ultra high-frequency stock returns and durations to relevant price, volume and transactions events, using machine learning methods. We find that, contrary to low frequency and long horizon returns, where predictability is rare and inconsistent, predictability in high frequency returns and durations is large, systematic and pervasive over short horizons. We identify the relevant predictors constructed from trades and quotes data and examine what determines the variation in predictability across different stock's own characteristics and market environments. Next, we compute how the predictability improves with the timeliness of the data on a scale of milliseconds, providing a valuation of each millisecond gained. Finally, we simulate the impact of getting an (imperfect) peek at the incoming order flow, a look ahead ability that is often attributed to the fastest high frequency traders, in terms of improving the predictability of the following returns and durations

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Verbundkataloge
    Sprache: Englisch
    Medientyp: Buch (Monographie)
    Format: Online
    Schriftenreihe: NBER working paper series ; no. w30366
    Schlagworte: Börsenkurs; Elektronisches Handelssystem; Kapitaleinkommen; Effizienzmarkthypothese; Prognoseverfahren; Finanzmarktökonometrie; Neural Networks and Related Topics; Forecasting and Prediction Methods; Simulation Methods; Financial Econometrics; Asset Pricing; Trading Volume; Bond Interest Rates; Information and Market Efficiency; Event Studies; Insider Trading; Financial Forecasting and Simulation
    Umfang: 1 Online-Ressource, illustrations (black and white)
    Bemerkung(en):

    Hardcopy version available to institutional subscribers
  3. Missing Data in Asset Pricing Panels
    Autor*in: Freyberger, Joachim; Höppner, Björn; Neuhierl, Andreas; Weber, Michael
    Erschienen: December 2022
    Verlag:  National Bureau of Economic Research, Cambridge, Mass

    Missing data for return predictors is a common problem in cross sectional asset pricing. Most papers do not explicitly discuss how they deal with missing data but conventional treatments focus on the subset of firms with no missing data for any... mehr

    Zugang:
    Verlag (lizenzpflichtig)
    Resolving-System (lizenzpflichtig)

    Standort:
    Sächsische Landesbibliothek - Staats- und Universitätsbibliothek Dresden
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Freiburg
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Fernleihe:
    keine Fernleihe

     

    Missing data for return predictors is a common problem in cross sectional asset pricing. Most papers do not explicitly discuss how they deal with missing data but conventional treatments focus on the subset of firms with no missing data for any predictor or impute the unconditional mean. Both methods have undesirable properties - they are either inefficient or lead to biased estimators and incorrect inference. We propose a simple and computationally attractive alternative using conditional mean imputations and weighted least squares, cast in a generalized method of moments (GMM) framework. This method allows us to use all observations with observed returns, it results in valid inference, and it can be applied in non-linear and high-dimensional settings. In Monte Carlo simulations, we find that it performs almost as well as the efficient but computationally costly GMM estimator in many cases. We apply our procedure to a large panel of return predictors and find that it leads to improved out-of-sample predictability

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Verbundkataloge
    Sprache: Englisch
    Medientyp: Buch (Monographie)
    Format: Online
    Schriftenreihe: NBER working paper series ; no. w30761
    Schlagworte: CAPM; Panel; Momentenmethode; Finanzmarktökonometrie; Semiparametric and Nonparametric Methods: General; Financial Econometrics; Asset Pricing; Trading Volume; Bond Interest Rates
    Umfang: 1 Online-Ressource, illustrations (black and white)
    Bemerkung(en):

    Hardcopy version available to institutional subscribers
  4. Complexity in Factor Pricing Models
    Autor*in: Didisheim, Antoine; Ke, Shikun; Kelly, Bryan T.; Malamud, Semyon
    Erschienen: September 2023
    Verlag:  National Bureau of Economic Research, Cambridge, Mass

    We theoretically characterize the behavior of machine learning asset pricing models. We prove that expected out-of-sample model performance--in terms of SDF Sharpe ratio and test asset pricing errors--is improving in model parameterization (or... mehr

    Zugang:
    Verlag (lizenzpflichtig)
    Resolving-System (lizenzpflichtig)

    Standort:
    Sächsische Landesbibliothek - Staats- und Universitätsbibliothek Dresden
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Freiburg
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Fernleihe:
    keine Fernleihe

     

    We theoretically characterize the behavior of machine learning asset pricing models. We prove that expected out-of-sample model performance--in terms of SDF Sharpe ratio and test asset pricing errors--is improving in model parameterization (or "complexity"). Our empirical findings verify the theoretically predicted "virtue of complexity" in the cross-section of stock returns. Models with an extremely large number of factors (more than the number of training observations or base assets) outperform simpler alternatives by a large margin

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Verbundkataloge
    Sprache: Englisch
    Medientyp: Buch (Monographie)
    Format: Online
    Schriftenreihe: NBER working paper series ; no. w31689
    Schlagworte: CAPM; Künstliche Intelligenz; Modellierung; Finanzmarktökonometrie; Econometric and Statistical Methods and Methodology: General; Econometric and Statistical Methods: Special Topics; Financial Econometrics; General Financial Markets; General; Asset Pricing; Trading Volume; Bond Interest Rates; Information and Market Efficiency; Event Studies; Insider Trading; Financial Forecasting and Simulation
    Umfang: 1 Online-Ressource, illustrations (black and white)
    Bemerkung(en):

    Hardcopy version available to institutional subscribers
  5. Machine Forecast Disagreement
    Autor*in: Bali, Turan G.; Kelly, Bryan T.; Mörke, Mathis; Rahman, Jamil
    Erschienen: August 2023
    Verlag:  National Bureau of Economic Research, Cambridge, Mass

    We propose a statistical model of differences in beliefs in which heterogeneous investors are represented as different machine learning model specifications. Each investor forms return forecasts from their own specific model using data inputs that... mehr

    Zugang:
    Verlag (lizenzpflichtig)
    Resolving-System (lizenzpflichtig)

    Standort:
    Sächsische Landesbibliothek - Staats- und Universitätsbibliothek Dresden
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Freiburg
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Fernleihe:
    keine Fernleihe

     

    We propose a statistical model of differences in beliefs in which heterogeneous investors are represented as different machine learning model specifications. Each investor forms return forecasts from their own specific model using data inputs that are available to all investors. We measure disagreement as dispersion in forecasts across investor-models. Our measure aligns with extant measures of disagreement (e.g., analyst forecast dispersion), but is a significantly stronger predictor of future returns. We document a large, significant, and highly robust negative cross-sectional relation between belief disagreement and future returns. A decile spread portfolio that is short stocks with high forecast disagreement and long stocks with low disagreement earns a value-weighted alpha of 15% per year. A range of analyses suggest the alpha is mispricing induced by short-sale costs and limits-to-arbitrage

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format
    Quelle: Verbundkataloge
    Sprache: Englisch
    Medientyp: Buch (Monographie)
    Format: Online
    Schriftenreihe: NBER working paper series ; no. w31583
    Schlagworte: Portfolio-Management; Anlageverhalten; Prognose; Künstliche Intelligenz; Modellierung; Finanzmarktökonometrie; Statistical Simulation Methods: General; Econometric and Statistical Methods: Special Topics; Neural Networks and Related Topics; Financial Econometrics; General Financial Markets; General; Financial Forecasting and Simulation; Behavioral Finance; General
    Umfang: 1 Online-Ressource, illustrations (black and white)
    Bemerkung(en):

    Hardcopy version available to institutional subscribers
  6. Financial Machine Learning
    Autor*in: Kelly, Bryan T.; Xiu, Dacheng
    Erschienen: July 2023
    Verlag:  National Bureau of Economic Research, Cambridge, Mass

    We survey the nascent literature on machine learning in the study of financial markets. We highlight the best examples of what this line of research has to offer and recommend promising directions for future research. This survey is designed for both... mehr

    Zugang:
    Verlag (lizenzpflichtig)
    Resolving-System (lizenzpflichtig)

    Standort:
    Sächsische Landesbibliothek - Staats- und Universitätsbibliothek Dresden
    Fernleihe:
    keine Fernleihe

    Standort:
    Universitätsbibliothek Freiburg
    Fernleihe:
    keine Fernleihe

    Standort:
    Helmut-Schmidt-Universität, Universität der Bundeswehr Hamburg, Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky
    Fernleihe:
    keine Fernleihe

    Standort:
    Technische Informationsbibliothek (TIB) / Leibniz-Informationszentrum Technik und Naturwissenschaften und Universitätsbibliothek
    Fernleihe:
    keine Fernleihe

    Standort:
    ZBW - Leibniz-Informationszentrum Wirtschaft, Standort Kiel
    Fernleihe:
    keine Fernleihe

     

    We survey the nascent literature on machine learning in the study of financial markets. We highlight the best examples of what this line of research has to offer and recommend promising directions for future research. This survey is designed for both financial economists interested in grasping machine learning tools, as well as for statisticians and machine learners seeking interesting financial contexts where advanced methods may be deployed

     
    Export in Literaturverwaltung   RIS-Format
      BibTeX-Format