자산가격결정: 두 판 사이의 차이

27번째 줄:

== 관련 연구 ==

[[Hirshleifer, Mai, Pukthuanthong (2025)]]에서는 준지도 잠재 디리클레 할당(seeded latent Dirichlet allocation; sLDA)을 통해 160년치의 뉴욕타임스 기사에서 전쟁 담론 지수를 추출하고, 그 1차 자기회귀모형(autoregressive model; AR)의 잔차를 전쟁요인(WarFac)으로 한다. 이후 전쟁요인을 단일요인으로 삼아 여섯 가지 검증 자산 집합의 횡단면 수익률을 분석한다. 전쟁요인은 모든 자산 집합에서 유의미한 음(−)의 위험프리미엄을 나타내며, 360개 기계학습(machine learning) 기반 포트폴리오에 대해 횡단면 분산의 62%를 설명한다. 합리적 해석으로는 전쟁 위험을 헤지하는 자산이 낮은 기대수익률을 얻는 것이고, 행동재무적 해석으로는 투자자들의 전쟁 전망 과대평가로 인해 전쟁에 양의 민감도를 가진 주식이 고평가되어 낮은 사후 수익률을 기록하는 것이다.

[[Hirshleifer, Mai, and Pukthuanthong (2025)]]에서는 준지도 잠재 디리클레 할당(seeded latent Dirichlet allocation; sLDA)을 통해 160년치의 뉴욕타임스 기사에서 전쟁 담론 지수를 추출하고, 그 1차 자기회귀모형(autoregressive model; AR)의 잔차를 전쟁요인(WarFac)으로 한다. 이후 전쟁요인을 단일요인으로 삼아 여섯 가지 검증 자산 집합의 횡단면 수익률을 분석한다. 전쟁요인은 모든 자산 집합에서 유의미한 음(−)의 위험프리미엄을 나타내며, 360개 기계학습(machine learning) 기반 포트폴리오에 대해 횡단면 분산의 62%를 설명한다. 합리적 해석으로는 전쟁 위험을 헤지하는 자산이 낮은 기대수익률을 얻는 것이고, 행동재무적 해석으로는 투자자들의 전쟁 전망 과대평가로 인해 전쟁에 양의 민감도를 가진 주식이 고평가되어 낮은 사후 수익률을 기록하는 것이다.

== 참고문헌 ==

@@ 27번째 줄: / 27번째 줄: @@
 == 관련 연구 ==
-[[Hirshleifer, Mai, Pukthuanthong (2025)]]에서는 준지도 잠재 디리클레 할당(seeded latent Dirichlet allocation; sLDA)을 통해 160년치의 뉴욕타임스 기사에서 전쟁 담론 지수를 추출하고, 그 1차 자기회귀모형(autoregressive model; AR)의 잔차를 전쟁요인(WarFac)으로 한다. 이후 전쟁요인을 단일요인으로 삼아 여섯 가지 검증 자산 집합의 횡단면 수익률을 분석한다. 전쟁요인은 모든 자산 집합에서 유의미한 음(−)의 위험프리미엄을 나타내며, 360개 기계학습(machine learning) 기반 포트폴리오에 대해 횡단면 분산의 62%를 설명한다. 합리적 해석으로는 전쟁 위험을 헤지하는 자산이 낮은 기대수익률을 얻는 것이고, 행동재무적 해석으로는 투자자들의 전쟁 전망 과대평가로 인해 전쟁에 양의 민감도를 가진 주식이 고평가되어 낮은 사후 수익률을 기록하는 것이다.
+[[Hirshleifer, Mai, and Pukthuanthong (2025)]]에서는 준지도 잠재 디리클레 할당(seeded latent Dirichlet allocation; sLDA)을 통해 160년치의 뉴욕타임스 기사에서 전쟁 담론 지수를 추출하고, 그 1차 자기회귀모형(autoregressive model; AR)의 잔차를 전쟁요인(WarFac)으로 한다. 이후 전쟁요인을 단일요인으로 삼아 여섯 가지 검증 자산 집합의 횡단면 수익률을 분석한다. 전쟁요인은 모든 자산 집합에서 유의미한 음(−)의 위험프리미엄을 나타내며, 360개 기계학습(machine learning) 기반 포트폴리오에 대해 횡단면 분산의 62%를 설명한다. 합리적 해석으로는 전쟁 위험을 헤지하는 자산이 낮은 기대수익률을 얻는 것이고, 행동재무적 해석으로는 투자자들의 전쟁 전망 과대평가로 인해 전쟁에 양의 민감도를 가진 주식이 고평가되어 낮은 사후 수익률을 기록하는 것이다.
 == 참고문헌 ==