MARC

 008250123s2024        us                              c    eng  d
■001000017160504
■00520250211151031
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383350072
■035    ▼a(MiAaPQ)AAI30997238
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aBybee,  Joseph  Leland.
■24510▼aThree  Essays  in  Financial  Economics
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a278  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  A.
■500    ▼aAdvisor:  Kelly,  Bryan;Barberis,  Nicholas.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2024.
■520    ▼aThe  first  is  titled  "The  Ghost  in  the  Machine:  Generating  Beliefs  with  Large  Language  Models".  I  introduce  a  methodology  to  generate  economic  expectations  by  applying  large  language  models  to  historical  news.  Leveraging  this  methodology,  I  make  three  key  contributions.  (1)  I  show  generated  expectations  closely  match  existing  survey  measures  and  capture  many  of  the  same  deviations  from  full-information  rational  expectations.  (2)  I  use  my  method  to  generate  120  years  of  economic  expectations  from  which  I  construct  a  measure  of  economic  sentiment  capturing  systematic  errors  in  generated  expectations.  (3)  I  then  employ  this  measure  to  investigate  behavioral  theories  of  bubbles.  Using  a  sample  of  industry-level  run-ups  over  the  past  100  years,  I  find  that  an  industry's  exposure  to  economic  sentiment  is  associated  with  a  higher  probability  of  a  crash  and  lower  future  returns.  Additionally,  I  find  a  higher  degree  of  feedback  between  returns  and  sentiment  during  run-ups  that  crash,  consistent  with  return  extrapolation  as  a  key  mechanism  behind  bubbles.The  second  is  titled  "Narrative  Asset  Pricing:  Interpretable  Systematic  Risk  Factors  from  News  Text".  We  estimate  a  narrative  factor  pricing  model  from  news  text  of  The  Wall  Street  Journal.  Our  empirical  method  integrates  topic  modeling  (LDA),  latent  factor  analysis  (IPCA),  and  variable  selection  (group  lasso).  Narrative  factors  achieve  higher  out-of-sample  Sharpe  ratios  and  smaller  pricing  errors  than  standard  characteristic-based  factor  models  and  predict  future  investment  opportunities  in  a  manner  consistent  with  the  ICAPM.  We  derive  an  interpretation  of  the  estimated  risk  factors  from  narratives  in  the  underlying  article  text. The  third  is  titled  "Business  News  and  Business  Cycles".  We  propose  an  approach  to  measuring  the  state  of  the  economy  via  textual  analysis  of  business  news.  From  the  full  text  of  800,000  Wall  Street  Journal  articles  for  1984-2017,  we  estimate  a  topic  model  that  summarizes  business  news  into  interpretable  topical  themes  and  quantifies  the  proportion  of  news  attention  allocated  to  each  theme  over  time.  News  attention  closely  tracks  a  wide  range  of  economic  activities  and  explains  25%  of  aggregate  stock  market  returns.  A  text-augmented  VAR  demonstrates  the  large  incremental  role  of  news  text  in  modeling  macroeconomic  dynamics.  We  use  this  model  to  retrieve  the  narratives  that  underlie  business  cycle  fluctuations.
■590    ▼aSchool  code:  0265.
■650  4▼aFinance
■653    ▼aLatent  factor  analysis
■653    ▼aEconomic  expectations
■653    ▼aLarge  language  models
■653    ▼aEconomic  sentiment
■690    ▼a0508
■690    ▼a0511
■690    ▼a0501
■71020▼aYale  University▼bManagement.
■7730  ▼tDissertations  Abstracts  International▼g86-01A.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160504▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서