Das HFRC Working Paper "Estimating Stock Market Betas via Machine Learning” wurde zur Veröffentlichung im Journal of Financial and Quantitative Analysis angenommen. Die Studie, verfasst von Wolfgang Drobetz (Universität Hamburg), Fabian Hollstein (Universität des Saarlandes), Tizian Otto (Universität Hamburg) und Marcel Prokopczuk (Leibniz Universität Hannover) zeigt, dass Beta-Faktor-Schätzer, die auf maschinellen Lernverfahren basieren, sowohl statistisch als auch ökonomisch besser abschneiden als traditionelle Betaschätzer. Maschinelle Lernverfahren generieren Aktienmarktbetas mit den geringsten Prognose- und Absicherungsfehlern. Sie helfen außerdem, bessere marktneutrale Anomaliestrategien sowie Portfolios mit minimaler Varianz zu erzeugen. Historische Aktienmarktbetas, Umsatz und Größe eines Unternehmens sind die wichtigsten Prognosevariablen.
Das Paper kann über folgenden Link heruntergeladen werden: https://lnkd.in/evC8cDpr
***
The HFRC Working Paper “Estimating Stock Market Betas via Machine Learning” has been accepted for publication in the Journal of Financial and Quantitative Analysis. The study, authored by Wolfgang Drobetz (University of Hamburg), Fabian Hollstein (Saarland University), Tizian Otto (University of Hamburg), and Marcel Prokopczuk (Leibniz University Hannover) shows that machine learning-based stock market beta estimators outperform established benchmark models both statistically and economically. Machine learning-based estimators produce the lowest forecast and hedging errors, and they also help create better market-neutral anomaly strategies and minimum variance portfolios. Historical stock market betas, turnover, and size are the most important predictors.
The paper can be downloaded via the following link: https://lnkd.in/evC8cDpr