MARC

 008250123s2024        us                              c    eng  d
■001000017161666
■00520250211151428
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382756363
■035    ▼a(MiAaPQ)AAI31294944
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aBaybutt,  Adam.
■24510▼aEssays  in  Econometrics  and  Empirical  Asset  Pricing
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a169  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Chetverikov,  Denis.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aThe  first  and  last  chapter  of  this  dissertation  are  devoted  to  the  econometric  theory  of  two  unrelated  topics.  The  second  chapter  covers  an  empirical  study  of  the  novel  model  in  the  first  chapter.The  first  chapter  studies  novel  estimation  procedures  with  supporting  econometric  theory  for  a  dynamic  latent-factor  model  with  high-dimensional  asset  characteristics,  that  is,  the  number  of  characteristics  is  on  the  order  of  the  sample  size.  Utilizing  the  Double  Selection  Lasso  estimator,  our  procedure  employs  regularization  to  eliminate  characteristics  with  low  signal-to-noise  ratios  yet  maintains  asymptotically  valid  inference  for  asset  pricing  tests.The  second  chapter  studies  the  dynamics  of  crypto  asset  returns  through  the  lens  of  factor  models,  and  in  particular  compare  the  out  of  sample  pricing  ability  of  our  novel  factor  model  against  relevant  benchmarks.  We  were  motivated  to  develop  our  new  method  given,  in  the  setting  of  crypto  asset  returns,  there  are  a  limited  number  of  tradable  assets  and  years  of  data  as  well  as  a  rich  set  of  available  asset  characteristics.  In  an  additionally  novel  empirical  panel,  we  find  the  new  estimator  obtains  comparable  out-of-sample  pricing  ability  and  risk-adjusted  returns  to  benchmark  methods.  We  provide  an  inference  procedure  for   measuring  the  risk  premium  of  an  observable  nontradable  factor,  and  employ  this  to  find  that  the  inflation-mimicking  portfolio  in  the  crypto  asset  class  has  positive  risk  compensation.  Finally,  specifying  a  factor  model  with  nonparametric  loadings  and  factors,  we  utilize  recent  methods  in  deep  learning  to  maximize  out-of-sample  risk-adjusted  returns  in  an  hourly  panel,  which  yields  economically  significant  alphas  even  after  a  detailed  accounting  of  transaction  costs.The  third  chapter  (coauthored  with  Manu  Navjeevan)  studies  a  novel  estimator  for  the  conditional  average  treatment  effect  (CATE)  with  a  doubly-robust  inference  procedure.  Plausible  identification  of  CATEs  can  rely  on  controlling  for  a  large  number  of  variables  to  account  for  confounding  factors.  In  these  high-dimensional  settings,  estimation  of  the  CATE  requires  estimating  first-stage  models  whose  consistency  relies  on  correctly  specifying  their  parametric  forms.  While  doubly-robust  estimators  of  the  CATE  exist,  inference  procedures  based  on  the  second-stage  CATE  estimator  are  not  doubly-robust.  Using  the  popular  augmented  inverse  propensity  weighting  signal,  we  propose  an  estimator  for  the  CATE  whose  resulting  Wald-type  confidence  intervals  are  doubly-robust.  We  assume  a  logistic  model  for  the  propensity  score  and  a  linear  model  for  the  outcome  regression,  and  estimate  the  parameters  of  these  models  using  an  l1  (Lasso)  penalty  to  address  the  high-dimensional  covariates.  Inference  based  on  this  estimator  remains  valid  even  if  one  of  the  logistic  propensity  score  or  linear  outcome  regression  models  are  misspecified.  To  our  knowledge,  we  are  the  first  paper  to  develop  doubly-robust  pointwise  and  uniform  inference  on  an  infinite  dimensional  target  parameter  after  high  dimensional  nuisance  model  estimation.
■590    ▼aSchool  code:  0031.
■650  4▼aStatistics
■650  4▼aFinance
■653    ▼aCrypto  asset  returns
■653    ▼aBenchmark  methods
■653    ▼aTransaction  costs
■653    ▼aEconometric  theory
■690    ▼a0501
■690    ▼a0511
■690    ▼a0508
■690    ▼a0463
■71020▼aUniversity  of  California,  Los  Angeles▼bEconomics  0246.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161666▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서