JBES — Vol 44 Issue 3 · 2026-10-12¶
- 共 1 篇 · Journal of Business & Economic Statistics
- 目录核对 ⚠️ 疑似漏 22 篇(对照 OpenAlex 23 篇):10.1080/07350015.2025.2561409、10.1080/07350015.2025.2551249、10.1080/07350015.2025.2569730、10.1080/07350015.2025.2561749、10.1080/07350015.2025.2562954 等
本期导览¶
自动生成:归纳本期主要主题与脉络,不打分、不排名。
本期《JBES》第 44 卷第 3 期仅收录一篇论文,主题集中于宏观经济预测与高维微观数据的结合。全文主线可概括为:利用大规模个股价格面板,借助机器学习工具,重新评估资产价格对通胀的预测能力,并强调异质性信息在总体指数之外的增量价值。该文横跨宏观金融与计量方法,核心关切在于预测性因果推断中的变量选择与信息提取。
文章《Do Asset Prices Help Predict Inflation? Evidence from Individual Stock Prices》的核心推进在于将传统资产价格预测通胀的文献从总体指数下沉至个股层面。方法上,作者采用高维面板数据与机器学习技术(如正则化回归或树模型类),以处理个股价格间的横截面相关性与维度灾难。其关键发现是,个股价格在中期和长期预测中显著提升精度,且在高通胀或通缩压力时期尤为突出;相比之下,综合指数、行业指数及 Fama-French 因子所携带的信息相对有限。这一结果直接回应了“总体资产价格信息不足”的既有困惑,并展示了微观价格数据如何捕捉宏观状态转变的早期信号。
从方法视角看,该文为高维预测性因果推断提供了一个典型范例:如何在控制总体因子后,从数千个预测变量中筛选出具有增量效用的个体信息,并评估其在不同经济状态下的稳定性。对于关注半参数效率或高维推断的读者,本文的实证策略(如交叉验证、变量重要性排序)虽未引入新理论,但可作为高维数据在宏观预测中应用的参考模板。若您侧重因果识别,本文的预测框架并非严格因果设计,但其“个股信息→通胀”的传导机制讨论,仍可为后续结构性因果分析提供切入点。
综上,本期唯一论文最贴合高维预测与宏观金融交叉方向,适合优先阅读以了解机器学习在通胀预测中的微观数据应用;若您关注半参数效率或严格因果识别,本文可作为背景参考,而非方法创新来源。
经济理论 / 应用 (econ_theory, 1 篇)¶
1. 10.1080/07350015.2026.2654899 — Do Asset Prices Help Predict Inflation? Evidence from Individual Stock Prices¶
- 作者: Yumeng Cui, Yongmiao Hong, Naijing Huang, Yicheng Wang
- 期刊/来源: Journal of Business & Economic Statistics
- 机构: Central University of Finance and Economics · Chinese Academy of Sciences · Academy of Mathematics and Systems Science · University of Chinese Academy of Sciences · Peking University
- 分类: vol 44 · issue 3 · pp 1004-1017
- 相关性 5/10 · novelty:
application - 摘要: 本文重新审视资产价格对通胀的预测能力,但聚焦于个股价格而非总体指数。利用大规模个股价格面板数据,结合机器学习技术,作者发现个股价格能显著提升通胀预测精度,尤其在中期和长期预测以及高通胀/通缩压力时期。与综合指数、行业指数、其他总体资产价格及Fama-French因子相比,个股价格蕴含丰富的异质性信息,为通胀预测提供了更深入的视角。这些发现为宏观金融理论提供了新的微观层面实证支持。对您而言,本文展示了如何利用高维面板数据与机器学习方法进行宏观经济预测,可作为经济应用中预测性因果推断的参考案例。
- 关键技术:
machine learning forecasting,high-dimensional panel data,individual stock prices,inflation forecasting,heterogeneous information - 为什么对您有用: 本文属于经济理论/应用方向,可作为gateway reading。它展示了高维面板数据在宏观经济预测中的应用,与您对经济理论中数据集和模型应用的兴趣相关。武器库中的高维统计和机器学习工具足以理解其方法,但本文主要是实证应用,方法学新颖性有限。
Maintained by 陈星宇 · Homepage · Source on GitHub