估计现实世界的概率：一个前瞻性的行为框架
Estimating real-world probabilities: A forward-looking behavioral framework
摘要：
我们发现，从基本预期中分离出情感引起的偏差，可以显著提高概率预测的准确性和一致性。使用1994年至2017年的数据，我们分析了15个随机模型和风险偏好组合，在所有可能的情况下，一个简单的行为转变都能带来可观的预测收益。我们的研究结果在不同的评估方法，风险偏好假设和情绪校准中是稳健的，表明行为效应可以有效地用于预测资产价格。进一步的分析证实，我们的现实世界的密度优于密度重新校准，以避免过去的错误，并改善预测模型，其中风险规避是动态估计的期权价格。
英文摘要：
We show that disentangling sentiment-induced biases from fundamental expectations significantly improves the accuracy and consistency of probabilistic forecasts. Using data from 1994 to 2017, we analyze 15 stochastic models and risk-preference combinations and in all possible cases a simple behavioral transformation delivers substantial forecast gains. Our results are robust across different evaluation methods, risk-preference hypotheses and sentiment calibrations, demonstrating that behavioral effects can be effectively used to forecast asset prices. Further analyses confirm that our real-world densities outperform densities recalibrated to avoid past mistakes and improve predictive models where risk aversion is dynamically estimated from option prices.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
