Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Does it pay to follow anomalies research? Machine learning approach with international evidence

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11230%2F21%3A10413843" target="_blank" >RIV/00216208:11230/21:10413843 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/67985556:_____/21:00533567

  • Výsledek na webu

    <a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=ApKeE8-JY7" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=ApKeE8-JY7</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/j.finmar.2020.100588" target="_blank" >10.1016/j.finmar.2020.100588</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Does it pay to follow anomalies research? Machine learning approach with international evidence

  • Popis výsledku v původním jazyce

    We study out-of-sample returns on 153 anomalies in equities documented in the academic literature. We show that machine learning techniques that aggregate all the anomalies into one mispricing signal are profitable around the globe and survive on a liquid universe of stocks. We investigate the value of international evidence for selection of quantitative strategies that outperform out-of-sample. Past performance of quantitative strategies in regions other than the United States does not help to pick out-of-sample winning strategies in the U.S. Past evidence from the U.S., however, captures most of the return predictability outside the U.S.

  • Název v anglickém jazyce

    Does it pay to follow anomalies research? Machine learning approach with international evidence

  • Popis výsledku anglicky

    We study out-of-sample returns on 153 anomalies in equities documented in the academic literature. We show that machine learning techniques that aggregate all the anomalies into one mispricing signal are profitable around the globe and survive on a liquid universe of stocks. We investigate the value of international evidence for selection of quantitative strategies that outperform out-of-sample. Past performance of quantitative strategies in regions other than the United States does not help to pick out-of-sample winning strategies in the U.S. Past evidence from the U.S., however, captures most of the return predictability outside the U.S.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    50201 - Economic Theory

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Journal of Financial Markets

  • ISSN

    1386-4181

  • e-ISSN

  • Svazek periodika

    56

  • Číslo periodika v rámci svazku

    November 2021

  • Stát vydavatele periodika

    NL - Nizozemsko

  • Počet stran výsledku

    31

  • Strana od-do

    1-31

  • Kód UT WoS článku

    000808118800002

  • EID výsledku v databázi Scopus

    2-s2.0-85089487417