000001388 001__ 1388
000001388 005__ 20250211155818.0
000001388 0247_ $$a10.34989/swp-2006-38$$2DOI
000001388 035__ $$a10.34989/swp-2006-38
000001388 041__ $$aeng
000001388 084__ $$aC Mathematical and Quantitative Methods$$02849
000001388 084__ $$aC6 Mathematical Methods; Programming Models; Mathematical and Simulation Modeling$$02899
000001388 084__ $$aC61 Optimization Techniques; Programming Models; Dynamic Analysis$$02901
000001388 084__ $$aG Financial Economics$$03122
000001388 084__ $$aG1 General Financial Markets$$03126
000001388 084__ $$aG12 Asset Pricing; Trading Volume; Bond Interest Rates$$03129
000001388 084__ $$aG13 Contingent Pricing; Futures Pricing$$03130
000001388 245__ $$aConditioning Information and Variance Bounds on Pricing Kernels with Higher-Order Moments: Theory and Evidence
000001388 260__ $$bBank of Canada
000001388 269__ $$a2006
000001388 300__ $$a1 online resource (vi, 48 pages)
000001388 336__ $$aText
000001388 347__ $$bPDF
000001388 520__ $$aThe author develops a strategy for utilizing higher moments and conditioning information efficiently, and hence improves on the variance bounds computed by Hansen and Jagannathan (1991, the HJ bound) and Gallant, Hansen, and Tauchen (1990, the GHT bound). The author's bound incorporates variance risk premia. It reaches the GHT bound when non-linearities in returns are not priced. The author also provides an optimally scaled bound with conditioning information, higher moments, and variance risk premia that improves on the Bekaert and Liu (2004, the BL bound) optimally scaled bound. This bound reaches the BL bound when nonlinearities in returns are not priced. When the conditional first four moments are misspecified, the author's optimally scaled bound remains a lower bound to the variance on pricing kernels, whereas the BL bound does not. The author empirically illustrates the behaviour of the bounds using Bekaert and Liu's (2004) econometric models. He also uses higher moments and conditioning information to provide distance measures that improve on the Hansen and Jagannathan distance measures. The author uses these distance measures to evaluate the performance of asset-pricing models. Some existing pricing kernels are able to describe returns ignoring the impact of higher moments and variance risk premia. When accounting for the impact of higher moments and variance risk premia, these same pricing kernels have difficulty in explaining returns on the assets and are unable to price non-linearities or higher moments.$$7Abstract
000001388 520__ $$aL'auteur conçoit une stratégie pour utiliser avec efficience les moments d'ordre supérieur et l'ensemble de l'information disponible et, de la sorte, améliorer les bornes de variance calculées par Hansen et Jagannathan (1991) et par Gallant, Hansen et Tauchen (1990) (appelées ci-après « borne HJ » et « borne GHT »). La borne qu'il définit intègre les primes du risque de variance et est égale à la borne GHT lorsque les non-linéarités des rendements ne sont pas prises en considération. L'auteur calcule aussi une borne optimale qui tient compte de l'ensemble des informations, des moments d'ordre supérieur ainsi que des primes du risque de variance, et qui dépasse la borne optimale de Bekaert et Liu (2004) (« borne BL » dans la suite du résumé). En l'occurrence, la borne de l'auteur est identique à la borne BL (l'hypothèse de linéarité des rendements étant également maintenue dans ce cas). Mais la borne optimale de l'auteur demeure la limite inférieure de la variance des facteurs d'actualisation stochastiques même quand les quatre premiers moments conditionnels sont mal spécifiés. Pour illustrer de façon empirique le comportement des bornes, l'auteur met à profit les modèles économétriques de Bekaert et Liu (2004). Par ailleurs, en faisant appel aux moments d'ordre supérieur et à l'ensemble des informations, il obtient de meilleures mesures de distance que celles auxquelles parviennent Hansen et Jagannathan. Il se sert de ces mesures pour évaluer les modèles d'équilibre des actifs financiers. Certains des facteurs d'actualisation stochastiques employés arrivent à rendre compte des rendements s'il est fait abstraction de l'incidence des moments d'ordre supérieur et des primes du risque de variance. Or, une fois cette incidence prise en compte, les mêmes facteurs permettent difficilement d'expliquer les rendements obtenus et ne permettent d'évaluer ni les nonlinéarités ni les moments d'ordre supérieur.$$7Résumé
000001388 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001388 6531_ $$aFinancial markets
000001388 6531_ $$aMarket structure and pricing
000001388 6531_ $$aMarchés financiers
000001388 6531_ $$aStructure de marché et établissement des prix
000001388 7001_ $$aChabi-Yo, Fousseni
000001388 789__ $$w1192-5434$$2ISSN$$eIsPartOf
000001388 791__ $$aJournalArticle$$eIsPreviousVersionOf$$iStaff Working Paper is published in peer-reviewed journal$$2DOI$$tConditioning Information and Variance Bounds on Pricing Kernels with Higher- Order Moments: Theory and Evidence$$w10.1093/rfs/hhm053$$c2008$$dThe Review of Financial Studies (Oxford University Press)$$j21$$k1$$o181$$q231
000001388 8301_ $$aStaff Working Paper
000001388 8301_ $$aDocument de travail du personnel
000001388 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/1388/files/wp06-38.pdf$$911a998dd-eee6-41d7-a4a2-3b4b5ebdffcf$$s438003$$zFile Source: Bank of Canada website, 2024
000001388 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1388$$pbibliographic
000001388 980__ $$aStaff Research
000001388 980__ $$aRDM
000001388 991__ $$aPublic