Description
Abstract: The 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.
Résumé: L'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.
Résumé: L'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.