海外文献推荐第264期

金融工程 证券研究报告 2023年08月04日 作者 海外文献推荐第264期 吴先兴分析师 SAC执业证书编号：S1110516120001 本期推荐的文献是2022年发表在JournalofFinance上的AnomaliesandtheExpectedMarketReturn，作者为XiDong，YanLi，DavidE.Rapach和GuofuZhou。 一、文献的主要结论 本文探讨了股票收益率横截面异象和时间序列预测之间的关系。本文考察了基于100个多空异象组合收益率对市场收益率的预测能力。本文采用了多种降维和机器学习方法，发现多空异象组合收益率中的信息确实可以增强对月度市场超额收益率的样本外预测能力，样本外R2可达2.81%，且经济意义显著。相对于随机漫步而言，基于异象组合收益率的预测可以显著降低预测误差。 二、推荐原因 本文提供了一个新的预测市场收益率的视角。理论上，本文将股票预测的两大领域（横截面和时间序列）联系了起来，并提出了解释预测效果的经济机制；实践上，本文发现了全新的市场收益率预测方法，这有助于投资者利用横截面信息改进对市场预测的效果。 风险提示：本报告内容基于相关文献，不构成投资建议。 wuxianxing@tfzq.com 王鹏飞联系人 wangpengfeib@tfzq.com 相关报告 1《金融工程：金融工程-板块配置月报：现金流下行，折现率上行，8月建议配置周期下游、消费板块》2023-08-02 2《金融工程：金融工程-行业流动性跟踪周报：近期行业流动性变化情况》2023-07-31 3《金融工程：基金研究-FOF组合推荐周报：上周多维度因子FOF组合超额基准收益0.56%》2023-07-31 请务必阅读正文之后的信息披露和免责申明1 内容目录 异象和预期市场收益3 1.引言3 2.研究方法5 3.数据6 4.样本外结果7 4.1.预测准确性7 4.2.经济价值9 4.3.其他结果9 5.非对称套利限制10 5.1.斜率系数10 5.2.市场细分11 5.3.子样本检验13 5.4.市场摩擦14 5.5.市套利交易15 6.结论16 图表目录 图1：描述性统计7 图2：基于100个多空异象投资组合收益的市场超额收益预测8 图3：样本外预测𝑹�统计量8 图4：基于100个多空异象收益的市场超额收益预测构建的投资组合的对数累积超额收益 .................................................................................................................................................................................9 图5：样本外𝑹�统计量直方图10 图6：递归回归系数估计11 图7：多空异象收益与市场细分收益的交叉自协方差12 图8：子样本的样本外𝑹�统计量13 图9：高摩擦和低摩擦体制下的样本外𝑹�统计量差别15 图10：套利交易和新闻语调16 异象和预期市场收益 文献来源：XiDong，YanLi，DavidE.Rapach，&GuofuZhou.(2022).AnomaliesandtheExpectedMarketReturn.JournalofFinance，77(1)，639-681. 文献摘要：本文首次系统性研究了，多空异象组合收益率（这是横截面资产定价的基石）与整体市场超额收益率在时间序列维度上的关系。本文采用了经典文献中有代表性的100个异象，运用了各种收缩技术（包括机器学习、预测组合和降维）在高维环境中有效提取预测信号。本文发现，多空异象组合收益率在样本外预测市场超额收益率上表现出统计学和经济学的显著性。本文证明了异象组合收益的预测能力源于套利限制的不对称性和错误定价纠正的持续性。 下载链接：https://onlinelibrary.wiley.com/doi/abs/10.1111/jofi.13099 1.引言 股票收益率可预测性是金融领域的一个重要主题。目前，在这一主题下有两个主要且热门的研究方向。第一个方向研究公司特征是否可以预测横截面维度上股票收益率的差异。这些研究发现了许多股票市场异象（例如，Fama和French(2015)、Harvey、Liu和Zhu(2016)、McLean和Pontiff(2016)、Hou、Xue和Zhang(2020)）。第二个研究方向探究各种经济和金融变量（如估值比率、利率和通货膨胀）是否可以预测时间序列维度上的股票市场超额收益率（例如，Nelson(1976)、Campbell(1987)、Fama和French(1988，1989)）。这种类型的研究试图阐明影响股票风险溢价的因素。 在本文中，作者探讨这两个金融文献的主要研究方向是否相关。具体来说，作者分析横截面文献中的多空异象组合收益率对市场超额收益率的预测能力。本研究的有四个方面的特点。首先，本文关注了横截面文献中的核心概念，即多空异象组合收益率，因为文献经常将此类收益率作为横截面错误定价的证据。其次，本文采用了样本外测试，因为这类测试为股票收益率的可预测性提供了最严格的证据（例如，Goyal和Welch(2008)、Martin和Nagel(2021)）。第三，本文检验了大量（100个）代表横截面文献的多空异象组合收益率的预测能力，并同时汇总了异象组合收益率中蕴含的信息。由于传统多元预测回归方法不足以容纳大量异象组合，所以本文采用了包括机器学习、预测组合和降维在内的各种收缩技术（shrinkagetechniques），以防止在高维数据情景中出现过度拟合现象。第四，本文探讨了多空异象组合收益率预测市场收益率的理论基础，用经济分析补充了本文的统计发现。 在实证上，本文发现，只要采用防止数据过度拟合的策略，100个多空异象组合收益率集合中的信息确实有助于在样本外预测月度市场超额收益率。样本外𝑅2在0.89%到2.81%之间，均超过了Campbell和Thompson(2008)提出的0.5%经济显著性阈值。根据Clark和West(2007)的测试，基于多空异象收益率的预测相对于现行平均值（即随机漫步漂移）的基准预测在降低平均平方预测误差（MSFE）方面具有统计显著性。此外，一个相对风险厌恶系数为3的均值-方差投资者愿意支付259到638个基点的年化投资组 合管理费，以获得基于100个多空异象组合收益中信息的市场超额收益率预测。总的来说，关于基于各种收缩方法的样本外市场超额收益率可预测性的证据在统计和经济意义上均较强且稳健。 从经济角度来看，多空异象组合收益率预测市场收益率的能力可以通过不对称的错误定价纠正持续性（MispricingCorrectionPersistence，MCP）来解释，这种不对称性来源于不对称套利限制（Shleifer和Vishny(1997)）。为了理解MCP对市场收益率可预测性的影响，本文创建了一个模型，该模型考虑了市场平稳低估和高估部分，这些成分分别位于异象组合的多头和空头。比如说，以空头的情况为例。作者发现，如果因为过去的高估价格得到了调整，这种调整产生的动量效果要比新的高估价格立即调整产生的价格反转效应更优。那么，在某一时期t的空头收益率就会与下一时期t+1的市场总体收益率有正相关关系。简单来说，时期t的空头收益率就是反映出在前一时期t-1末对市场中高估的 部分做了纠正（Akbas等，(2015)；Engelberg，McLean和Pontiff，(2018)）。如果这种纠正的效果持续性很强，那么空头收益率就会呈现出正向的连续性；而因为空头收益率是市场总体收益率的一部分，这就意味着空头收益率与未来的市场收益率有正相关性。空头收益率也能够提供其他市场细分部分的高估信息，从而影响市场总体收益率。实际上，本文的实证研究证明了，空头收益率确实包含了更广泛的市场高估信息。类似地，本文也可以用这个推理过程来解释为什么多头收益率与未来的市场总体收益率也是正相关的。 作者的实证结果表明，多头收益率和空头收益率均与未来市场收益率正相关。然而，多头收益率的样本外预测能力较弱，表明相对于低估，高估的MCP更为显著。因此，多空异象收益率能够负向预测市场收益率。通过递归回归，本文发现这种负相关关系随着时间变化依然稳健。由于空头卖空约束（Miller（1977））、反馈效应（Edmans、Goldstein和Jiang（2015））以及价格下跌伴随流动性下降（Dong、Krystyniak和Peng（2019））等原因，针对高估股票的套利比相对低估股票的套利更为保守，这和相对于低估，高估的MCP更强现象相符。同时和高估纠正更明显一致，已有文献（例如，Hong，Lim和Stein （2000），Stambaugh，Yu和Yuan（2012，2015），Avramov等（2013））发现，许多异象收益率的盈利性是由空头部分的过度估值驱动的。 如果空头上的MCP相对于多头上的更强，那么使用空头异象组合收益率而不是多空异象收益率似乎预测市场收益率的能力应该更强。然而，本文通过计量手段证明，多空异象收益率可以为市场收益率提供更强的预测信号。直观地说，多头和空头收益率包含与未来市场收益率无关的共同成分。通过计算多头和空头收益率之差，本文可以过滤预测变量中的噪声，从而为预测市场收益率提供更为敏锐的信号；这种过滤类似于减轻变量中的误差 （errors-in-variables）问题。本文还发现，通过汇总多空异象收益率中的信息，可以进一步过滤单个预测因子中的特异性噪声，从而使预测信号变得更为准确。 从方法论上讲，将大量潜在预测因子中的信息纳入考虑的最直接方法是指定一个包含所有滞后预测因子作为解释变量的多元预测回归。然而，对高维预测回归进行常规的最小二乘法（OLS）估计容易导致过度拟合。在构建过程中，OLS最大化了在样本内估计期间的模型拟合度，这可能导致样本外表现不佳；直观地说，OLS容易将数据中的噪声误认为是预测信号。因为本文对预测月度市场超额收益率感兴趣，而这其中含有一个较小的可预测成分，所以本文正处于一个相当嘈杂的环境，这加剧了过度拟合的危险。正如预料到的，本文发现如果使用基于OLS的多元预测回归，基于所有多空异象收益率的预测结果表现出极端过度拟合的问题：预测非常不稳定，且比普遍的均值基准要不准确得多。 本文使用多种预测策略来应对高维预测回归的过度拟合问题，所有这些策略本质上都依赖于收缩。首先，本文使用弹性网络（ENet；Zou和Hastie（2005）），这是著名的最小绝对收缩和选择算子（LASSO；Tibshirani（1996））的改进版，来估计预测模型。LASSO和ENet是使用惩罚回归直接收缩参数估计的机器学习技术，从而避免了过度拟合数据的问题。本文还考虑不同预测方法的组合（Bates和Granger（1969））。本文使用了一种简单的组合方法，即取基于单个预测因子的单变量回归预测值的算术平均值 （Rapach，Strauss和Zhou（2010）），以及借鉴了Diebold和Shin（2019）观点的Rapach和Zhou（2020）以及Han等（2021）提出的改进方法，即利用机器学习技术选择要包含在组合预测中的单个预测值。最后，本文采用降维技术将预测因子样本合成一个单一变量，然后将其作为单变量预测回归的解释变量。本文考虑了三种降维技术：第一种是计算单个预测因子的横截面平均值；第二种是从预测因子集中提取第一个主成分（Ludvigson和Ng（2007，2009））；第三种是使用偏最小二乘回归法（PLS；Wold（1966））从预测因子集中提取第一个与目标相关的因子（Kelly和Pruitt（2013，2015），Huang等人（2015））。如前所述，基于旨在规避过度拟合的策略的预测都产生了统计和经济意义上显著的�