大规模动态预测回归

这70个比率分为八个主要类别：估值、盈利能力、资本化、财务稳健、偿付能力、流动性、效率比率和其他。与行业特定预测因素一起，我们使用了从现有研究中获得的额外14个聚合协变量，这些协变量分为两类；金融和宏观经济变量合计。特别是，继Goyal和Welch（2008）和Rapach等人（2010）之后，市场水平、总量、财务预测值包括价值加权市场投资组合（svar）每日平方（去均值）回报之和的平方根，12个月净发行额移动之和除以年末总市值（NTI）的比率，违约收益率利差（dfy）计算为BAA和AAA级公司债券收益率之间的差异，期限利差（tms）计算为ZF债券和国债的长期收益率之间的差异。此外，我们考虑了P’astor和Stambaugh（2003）的交易流动性系数（liq），以及所有商业银行银行信贷中贷款和租赁金额的同比增长率。就总体宏观经济预测因素而言，我们使用通货膨胀率（in fl），作为CPI所有城市消费者指数的月度增长率，实际利率（rit）作为国债收益率减去通货膨胀率，以及首次申请失业救济人数（icu）的同比增长率，根据对5000户美国家庭的调查，建筑许可证（house）授权的新私人住房单元的同比增长率、工业总产值（ip）的同比增长率、制造商新订单（mno）的同比增长率、M2货币化增长率（M2）和消费者信心指数（conf）的同比增长率。一条评论是正确的。

公式（11）中的DLM规范因其简洁、易于计算以及对参数的平滑性而具有吸引力。然而，有人可能会认为，考虑到均衡可以根据不同的市场阶段突然变化，最好对模型参数进行替代性马尔可夫切换动力学。然而，这种动态将意味着条件β在制度内是固定/不变的，即使它们可以在制度之间有所不同。这似乎与金融计量经济学某些领域的经验证据和更普遍的经验资产定价有些不一致，其中，参数的时间变化以一系列小的变化为特征，而不是以几个离散的中断为特征（例如，见Jostova和Philipov 2005年、Nardari和Scruggs 2007年、Adrian和Franzoni 2009年、Pastor和Stambaugh 2009年、Binsbergen、Jules和Koijen 2010年、Pastor和Stambaugh 2012年、Bianchi、Guidolin和Ravazzolo 2017b等）。对于重采样步骤，我们遵循等式（8）中的合成函数，具有以下优先级：θ0n | v0n~ N（m0n，（v0n/s0n）I），m0n=0和1/v0n~G（n0n/2，n0ns0n/2），n0n=12，s0n=0.01。折现系数为（β，δ）=（0.99，0.95）。实证应用程序的设计类似于宏观经济研究。我们使用1970年1月至1992年9月的样本作为解耦模型的训练期，以扩展窗口的方式为每个行业拟合线性回归。在1992年10月至2000年6月期间，我们继续校准再抽样策略，最终评估期为2000年7月至2015年12月，在此期间我们比较预测结果。我们丢弃了1993年7月至2000年12月的预测结果作为训练数据，并比较了2001年1月至2000年12月的预测性能。

时间框架包括关键时期，如21世纪初，以通过《格拉姆-里奇-布莱利法案》（Gramm-Leach-Bliley act）为标志，以及dot的膨胀和膨胀。com泡沫、随后发生的安然和世通等金融丑闻以及9/11袭击事件，以及2008/2009年的重大金融危机，这场危机之前是由次贷危机爆发引发的（参见Bianchi、Guidolin和Ravazzolo 2017a）。可以说，这些时期表现出金融市场的急剧变化，更普遍地说，可能会导致相关预测因素之间的偏差和潜在相互依赖的动态。表2的面板A显示，我们使用BPS的解耦重采样策略相对于组特定模型、LASSO、PCA、等权平均和BMA提高了样本外预测精度。与之前的文献一致，递归计算的等权重线性池是一个极具挑战性的基准，需要大大超越。与其他行业相比，同等重量和DRS之间的性能差距并不显著。LASSO和PCA的样本外性能比其他竞争模型组合方案以及HA都差。这些结果适用于所调查的所有十个行业。[在此插入表2]与宏观经济研究类似，有利于DRS的绩效差距与对数预测密度比密切相关。事实上，如表2的面板B所示，在预测领先一步时，没有任何替代规范接近DRS。除了能源部门的唯一部分例外，DRS的表现大大优于竞争模型组合/收缩方案和集团特定预测密度。

有两条评论。首先，虽然等权线性池法和序贯BMA法的表现往往优于集团特定预测回归法，但在预测未来超额收益密度方面，LASSO法的表现明显不佳。这一结果与Dieboldand Shin（2017）的最新证据一致。他们表明，简单平均组合方案相对于标准LASSO收缩算法具有很强的竞争力。特别是，他们表明，由于套索调谐参数的小样本实时交叉验证的固有困难，在实时预测练习中很难实现良好的样本外性能。进一步深入研究LPDR的动力学，图5显示了跨建模规范的整体样本外病理密度预测精度。为了便于展示，我们报告了耐用消费品、非耐用消费品、制造业、电信、高科技和其他行业的结果。其余行业的结果在数量上相似，可根据要求提供。左上面板显示消费者耐用型行业的样本外路径。DRS与替代预测回归进行了比较。类似的结果在其他部门也很明显。总体而言，图5显示了竞争模型组合/收缩方案可能无法快速适应结构变化的明确证据。尽管危机前的表现不错，但值得注意的是，2008/2009年大衰退后，预测表现大幅下降。DRS始终表现出对变化和冲击的稳健表现，并在整个测试样本中保持在最佳预测组中。[在此插入图5]在预测超额收益的整体提前一步分布时，套索的样本外表现明显恶化。

结果表明，等权线性池执行的是相互竞争的组合方案，但执行的是DRS，以及集团特定的预测回归。可以说，DRS的强劲表现是由于其能够快速适应不同的市场阶段，以及预测者群体之间潜在相互依赖性的结构变化，正如等式中DLM类型的动态所强调的那样。(9).图6显示，事实上，DRS系数的灵活性非常显著，出现了一些与收益可预测性相关的有趣方面。例如，在耐用消费品和非耐用消费品的金融危机中，估值和财务稳健的作用受到高度影响。财务稳健性指标涉及各种变量，如现金流量与总债务之比、短期债务与总债务之比、流动负债与总负债之比、长期债务与账面权益之比、长期债务与总负债之比等。这些变量根据公司的债务水平评估公司中长期的风险水平，从而预测公司有效管理其未偿债务并保持其运营能力的能力。可以理解的是，债务（尤其是中期债务）与市场价值之间的相互作用越来越影响风险溢价，从而对未来超额回报的预测值产生重大影响。[在此插入图6]尽管各行业的DRS系数存在一些相似之处，但也出现了一些跨部门的异质性。事实上，虽然估值和资本化往往在其他部门占主导地位，但研发费用（属于预测者集群中的其他类别）与耐用消费品非常相关。

通过观察预测因素和行业的实际构成，这些趋势证明与经济理论完全一致。以其他部门为例；在我们使用的10个行业分类中，其他行业的市值主要由商业服务、建筑、建材、金融服务和银行业驱动。重大金融危机之后，所有这些行业的资本化，尤其是银行业和金融业，都受到了显著影响。一方面，轶事证据和政策制定评论强调了银行业大量不良贷款造成的日益沉重的负担如何导致流动性收缩，最终影响到建筑和建材等更依赖银行融资的行业。另一方面，虽然低政策利率制度可能在短期内有助于防止陷入困境的银行资产负债表的无序调整，并为那些更容易受到抵押贷款影响的银行提供了较低的利息支付，但它们也有动机首先修复银行资产负债表和建筑协会。综上所述，大量不良贷款和随后的流动性问题，再加上道德风险问题，是其他行业及其组成部分资本风险的重要来源。图6显示了在样本期外不同时间，集团特定预测密度的协方差。图6显示了随着时间的推移，集团回归系数的横截面潜在相关性的不稳定性。

然而，应该清楚的是，我们在这里的目标并不是要抛弃经验金融文献中关于预测因子之间相关性的其他结果，而是要处理在预测超额股票回报时模拟不同、经济动机、预测密度之间动态相互作用的关键方面。我们的结果表明，情况并非如此：不同协变量组的边缘预测能力存在显著的时间变化和横截面异质性。到目前为止，我们已经比较了由受过经济学培训的投资者生成的回报预测的统计性能。接下来，我们将通过考虑使用收益预测的投资者的最佳投资组合选择来评估这些收益预测的经济意义。我们的方法的一个优点是，它同时考虑了参数和模型的不确定性，其重要性在现有的实证研究中已经得到了强调（参见Barberis 2000、Avramov 2002、Rapach et al.2010、Billio et al.2013以及Pettenuzzo、Timmermann和Valkanov 2014等）。此外，我们的方法提供了完整的预测密度，这意味着我们不会只考虑均值-方差效用，而是可以使用更一般的常数相对风险规避偏好。特别是，我们通过假设存在一个需要解决最优资产配置问题ω？的代表性投资者，构建了一个两资产组合，每个t分别有一个无风险资产（rft）和一个风险资产（yt；industryreturns）？τ=arg maxwτE[U（ωτ，yτ+1）| Hτ]，（13），Hτ表示截至时间τ的所有可用信息，τ=1。。。，t、 假设投资者的电力利用率u（ωτ，yτ+1）=h（1- ωτ）exprfτ+ ωτexprfτ+yτ+1i1-γ1 - γ、 （14）这里，γ是投资者的相对风险规避系数。

时间τ下标反映了这样一个事实，即投资者根据当时的可用信息集选择最优投资组合配置。根据公式（7）中预测密度的期望值，我们可以将最优投资组合配置改写为ω？τ=arg maxωτZU（ωτ，yτ+1）p（yτ+1 | Hτ）dyτ+1，（15）就DRS而言，可以使用公式（7）中预测密度的绘图来近似公式（15）中的积分。投资组合权重序列ω？τ, τ = 1, ..., t用于计算各模型组合方案的投资者实现效用。设^Wτ+1表示时间τ+1时的已实现财富作为投资决策的函数，^Wτ+1=h（1- ω?τ） 经验值rfτ+ ω?τexprfτ+yτ+1i、 （16）给定模型的确定性等效回报（CER）定义为与平均实现效用相等的年化值。我们遵循Pettenuzzo等人（2014）的方法，在预测评估样本上，根据备选预测模式i，比较DRS^Uτ的平均实现效用与模型的平均实现效用：CERi=“Ptτ=1^Uτ，iPtτ=1^Uτ#1-γ- 1，（17），下标i表示给定的模型组合方案，^Uτ，i=^W1-γτ，i/（1）- γ） ，和^Wτ，根据公式（16），是竞争模型i在时间τ产生的财富。表3的面板A显示了具有无约束权重的投资组合的结果，即允许卖空以最大化投资组合回报。我们假设风险规避系数等于5。[在此插入表3]与集团特定预测和竞争模型组合方案相比，我们的去耦补偿策略的经济表现相当明显。

DRSis实现的CER远大于不同行业的任何竞争模型规格。毫不奇怪，鉴于简单递归历史平均值模型的统计准确性并不显著，HA模型导致的CER非常低。有趣的是，等权线性池法和贝叶斯模型平均法（其中预测密度与随后更新的模型概率混合）证明是一种强有力的竞争对手，尽管仍产生较低的CER。表3的面板B显示，在权重必须为正的限制下，有利于DRS的绩效差距再次得到确认，即只做多策略，不允许卖空。与现有文献（例如，见Jagannathan和Ma 2003，以及DeMiguel、Garlappi和Uppal 2007）一致，通过限制投资组合权重而获得的经济绩效往往会在不同行业中得到改善，无论模型组合方案如何。然而，我们的解耦补偿模型综合方案允许具有代表性的投资者获得比BMA和等权重线性池更大的性能。值得注意的是，LASSO和PCA的性能都通过不施加卖空限制而得到了实质性的改善。除了评估整个预测评估样本中各种预测模型的经济价值外，我们还研究了不同模型的实时性能。具体而言，我们计算了每个时间τasCERiτ=“^Uτ，i^Uτ#1-γ- 1、（18）表4的面板A显示了无约束投资者预测样本的平均年化单期CER。结果表明，样本外性能明显有利于DRS模型组合方案。

对于表3中报告的整个样本CER，预测密度的等权重线性组合结果证明是一个具有挑战性的基准。然而，DRS在整个预测样本中产生的平均CER不断提高。【在此插入表4】面板B显示了有关卖空受限投资者的结果。尽管NDR与竞争车型组合方案之间的差距缩小了，但前者根据行业和竞争战略，在10到40个基点的范围内强劲地产生了较高的绩效。总的来说，表3-4讲述了一个故事，通过仔细考虑潜在的依赖性，跨类别的预测可以明智地改善具有适度风险厌恶的电力公用事业投资者的样本外经济表现。为了与等式（12）中的LPDR平行，我们还通过报告CER随时间的累积量来检查各个模型组合方案的经济绩效：CCERit=tXτ=1log（1+CERiτ），（19），其中CERitis按等式（18）计算。图7显示了预测样本以及耐用消费品、非耐用消费品、电信、健康、商店和其他工业部门的样本外累积CER。除了一些细微差别，例如电信和其他行业的危机前时期，DRS组合方案的表现一直优于其他预测策略。有趣的是，尽管最初产生了相当确定的回报，但套索未能适应危机前后行业回报可预测性的潜在变化。事实上，尽管最初的累积CER略微有利于LASSO vis-a-vis DRS，但这种良好的表现在重大金融危机前后以及随后的总体金融动荡之后就消失了。