Project

Back to overview

A two-pass penalised cross-sectional regression framework for conditional non-linear factor models in large equity and equity derivative data sets

English title A two-pass penalised cross-sectional regression framework for conditional non-linear factor models in large equity and equity derivative data sets
Applicant Scaillet Olivier
Number 182582
Funding scheme Project funding (Div. I-III)
Research institution Institut universitaire en finance - GFRI Université de Genève
Institution of higher education University of Geneva - GE
Main discipline Economics
Start/End 01.01.2019 - 31.12.2022
Approved amount 478'224.00
Show all

Keywords (3)

Factor model; Econometrics; Penalised regression

Lay Summary (French)

Lead
Les primes de risques sur les marchés financiers sont un important domaines de recherche dans la communauté académique. Leur étude permet aux chercheurs, mais aussi à l'industrie de mieux comprendre la dynamique des marchés financiers. Récemment, Gagliardini et al. (2016) ont développer une méthode économétrique afin d'estimer le mouvement de ces primes de risques via de nombreuse séries temporelle de prix retour d'actif de tailles variables. Cette méthodologie est basée sur the primes de risques variant à travers le temps, et calculée via un modèle conditionnel linéaire d'asset pricing, utilisant une simple weighted two-pass cross sectional régression.
Lay summary

Nos objectifs sont les suivants. Premièrement, nous souhaitons étendre la méthodologie précitée, afin de capturer de potentielle non-linéarité, avec l'aide d'un modèle semi-paramétrique utilisé lors de la première régression. Basé sur cette régression semi-paramétrique, nous souhaitons estimer et sélectionner en même temps les groupes de variables significatif en utilisant une régression pénalisée. Enfin nous analyserons l'impact des changements apportés à cette précédente régression, à l'estimation et la sélection de primes de risques lors de la deuxième régression, (ceci en utilisant une méthode de pénalisation).

Via les développements précités, nous souhaitons créer une méthodes économétrique qui nous permettra d'analyser de large jeux de données provenant de retours sur actions et dérivée sur action (US et internationale), amis aussi le cas où les facteurs représentent des stratégies d'investissement présente sur les marchés financiers.  

Direct link to Lay Summary Last update: 10.10.2018

Responsible applicant and co-applicants

Employees

Abstract

Financial risk premia have been heavily studied in the academic literature. They are of utmost importance for researchers, but also for practitioners in order to understand the dynamics and factors that drive financial markets. Recently, Gagliardini et al. (2016) have developed an econometric framework to infer the path of risk premia from large unbalanced panels of stock return. This method- ology is based on time-varying risk premia coming from a conditional linear asset pricing model using simple weighted two pass cross-sectional regressions. We derive the underlying no-arbitrage restrictions in a multi period economy with a continuum of asset. Furthermore, we derive asymptotic properties of the new weighted two-pass cross sectional estimator. Finally, we provide a test for the asset pricing restrictions.Our goals are the following. First, we want to extend this methodology to allow for non-linearity detection, with the help of a semi-parametric model in the first pass regression. Our second objective is to estimate the model and select at the same time the relevant groups of variables in the aforementioned regression using a penalised regression. Finally, we want to assess the impact of the previous step on the estimation and selection (using a penalised regression) of risk premia to select the most significant ones.The focus of the research is to develop as econometric methodology for the above set-up, and apply the methodology to a large panel of equity and equity derivatives data sets (US and international), but also investigate the case where the factors would represent various trading strategies operating on financial markets. Finally, we will compare our method performance with the most used techniques, namely the Fama-French model (see Fama and MacBeth (1973)) and the CAPM (see Sharpe (1964)).
-