使用機器行業收益的可預測性

由于行業之間的聯系，一個行業的現金流被沖擊可能會影響相關行業的預期現金流。在一個無摩擦的理性預期均衡中，投資者很容易認識到特定行業現金流受到沖擊對所有行業間的影響。因此，所有相關行業的股價都會立即調整，以完全抑制現金流沖擊對所有行業間的影響，而滯后的行業回報率沒有預測能力。然而，hong et al.(2007)結合merton(1987)和hong and stein(1999)的觀點，認為信息處理能力有限的投資者專注于特定的細分市場。在這種環境下，當某一特定行業出現現金流沖擊時，由于信息處理的局限性，所以專門從事相關行業的投資者無法迅速得出沖擊的全部影響。因此，信息在各個行業中逐漸擴散，導致股票價格的延遲調整，從而在滯后行業收益的基礎上提高了行業收益的可預測性。
基于整體經濟環境中的滯后行業收益，使用機器學習工具來分析行業收益的可預測性。首先為單個行業的收益*一個通用預測模型，該模型的回歸量包括30個行業的滯后收益。因為預測回歸中包含過多預測變量會導致過擬合風險，所以利用機器學習中的lasso來擬合稀疏模型。為了避免lasso系數估計本身的向下偏差(幅度)，通過ols重新估計了lasso選擇的預測變量的系數。通過控制后選推論和多重檢驗，樣本內結果提供了行業收益可預測性的大量證據，表明股票市場存在與行業相關的信息摩擦。
基于ols post-lassoestimation的預測回歸去建立一個**的行業輪動組合，用于計算樣本外的行業收益預測，該投資組合做多(做空)預測收益較高(較低)的行業。多-空行業輪動組合獲得了顯著的平均收益，在周期性衰退期間表現良好，并且在主導多因子模型中實現了**過8%的年化alpha。滯后的行業收益信息對于生成經風險調整后的平均收益顯得相當有**，因此為行業相關的信息摩擦提供了樣本外的補充證據。
江蘇精言數據分析有限公司專注于項目數據分析報告等