使用机器行业收益的可预测性

由于行业之间的联系，一个行业的现金流被冲击可能会影响相关行业的预期现金流。在一个无摩擦的理性预期均衡中，投资者很容易认识到特定行业现金流受到冲击对所有行业间的影响。因此，所有相关行业的股价都会立即调整，以完全抑制现金流冲击对所有行业间的影响，而滞后的行业回报率没有预测能力。然而，hong et al.(2007)结合merton(1987)和hong and stein(1999)的观点，认为信息处理能力有限的投资者专注于特定的细分市场。在这种环境下，当某一特定行业出现现金流冲击时，由于信息处理的局限性，所以专门从事相关行业的投资者无法迅速得出冲击的全部影响。因此，信息在各个行业中逐渐扩散，导致股票价格的延迟调整，从而在滞后行业收益的基础上提高了行业收益的可预测性。
基于整体经济环境中的滞后行业收益，使用机器学习工具来分析行业收益的可预测性。首先为单个行业的收益*一个通用预测模型，该模型的回归量包括30个行业的滞后收益。因为预测回归中包含过多预测变量会导致过拟合风险，所以利用机器学习中的lasso来拟合稀疏模型。为了避免lasso系数估计本身的向下偏差(幅度)，通过ols重新估计了lasso选择的预测变量的系数。通过控制后选推论和多重检验，样本内结果提供了行业收益可预测性的大量证据，表明股票市场存在与行业相关的信息摩擦。
基于ols post-lassoestimation的预测回归去建立一个**的行业轮动组合，用于计算样本外的行业收益预测，该投资组合做多(做空)预测收益较高(较低)的行业。多-空行业轮动组合获得了显著的平均收益，在周期性衰退期间表现良好，并且在主导多因子模型中实现了**过8%的年化alpha。滞后的行业收益信息对于生成经风险调整后的平均收益显得相当有**，因此为行业相关的信息摩擦提供了样本外的补充证据。
江苏精言数据分析有限公司专注于项目数据分析报告等