使用機器行業(yè)收益的可預測性

由于行業(yè)之間的聯(lián)系，一個行業(yè)的現(xiàn)金流被沖擊可能會影響相關行業(yè)的預期現(xiàn)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(yè)現(xiàn)金流受到?jīng)_擊對所有行業(yè)間的影響。因此，所有相關行業(yè)的股價都會立即調(diào)整，以完全抑制現(xiàn)金流沖擊對所有行業(yè)間的影響，而滯后的行業(yè)回報率沒有預測能力。然而，hong et al.(2007)結(jié)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(huán)境下，當某一特定行業(yè)出現(xiàn)現(xiàn)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(yè)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(yè)中逐漸擴散，導致股票價格的延遲調(diào)整，從而在滯后行業(yè)收益的基礎上提高了行業(yè)收益的可預測性。
基于整體經(jīng)濟環(huán)境中的滯后行業(yè)收益，使用機器學習工具來分析行業(yè)收益的可預測性。首先為單個行業(yè)的收益*一個通用預測模型，該模型的回歸量包括30個行業(yè)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(shù)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(shù)。通過控制后選推論和多重檢驗，樣本內(nèi)結(jié)果提供了行業(yè)收益可預測性的大量證據(jù)，表明股票市場存在與行業(yè)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(yè)輪動組合，用于計算樣本外的行業(yè)收益預測，該投資組合做多(做空)預測收益較高(較低)的行業(yè)。多-空行業(yè)輪動組合獲得了顯著的平均收益，在周期性衰退期間表現(xiàn)良好，并且在主導多因子模型中實現(xiàn)了**過8%的年化alpha。滯后的行業(yè)收益信息對于生成經(jīng)風險調(diào)整后的平均收益顯得相當有**，因此為行業(yè)相關的信息摩擦提供了樣本外的補充證據(jù)。
江蘇精言數(shù)據(jù)分析有限公司專注于項目數(shù)據(jù)分析報告等