您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[华安证券]:“学海拾珠”系列之二百零八:择时因子之争:宏观经济变量还是投资者情绪? - 发现报告
当前位置:首页/其他报告/报告详情/

“学海拾珠”系列之二百零八:择时因子之争:宏观经济变量还是投资者情绪?

2024-10-16严佳炜、吴正宇华安证券α
“学海拾珠”系列之二百零八:择时因子之争:宏观经济变量还是投资者情绪?

金融工程 专题报告 择时因子之争:宏观经济变量还是投资者情绪? ——“学海拾珠”系列之二百零八 报告日期:2024-10-16 主要观点: 分析师:严佳炜 执业证书号:S0010520070001邮箱:yanjw@hazq.com 分析师:吴正宇 执业证书号:S0010522090001邮箱:wuzy@hazq.com 相关报告 1.《股票因子的风险-收益权衡关系— —“学海拾珠”系列之二百零七》 2.《基金的逆羊群操作一定是聪明行为吗?——“学海拾珠”系列之二百零六》 3.《基于统计跳跃状态识别模型管理下行风险——“学海拾珠”系列之二百零�》 本文利用机器学习技术研究了宏观经济因素和情绪因素在预测股市收益方面的优劣。作者发现,单独使用宏观经济变量或情绪变量并未改 善组合的夏普比率,而将这两类因素结合后,夏普比率从0.48提升至 0.62,并且投资的回撤幅度大约减少了30%,从53个百分点降低至36个百分点。这一改善在经济和统计意义上都具有显著性。作者进一步评估了不同经济周期下策略的表现,发现宏观经济变量在市场扩张期间通 常优于情绪变量,而在衰退期间则表现较差。在衰退晚期,尤其是股市接近底部时,宏观经济变量和情绪变量的综合表现特别强劲。作者的发现对于所选择的机器学习技术具有稳健性,并表明情绪和宏观经济信息是互补的,因此,投资者应综合考虑这两者。 结合宏观经济变量和情绪变量的机器学习模型的投资组合在表现上优于被动投资组合 当宏观经济变量和情绪变量结合时。LASSO投资组合(Lass_port)在所有表现和风险度量类别中都是优越的策略。它具有所有投资组合中最高的年化回报(9.49%)、夏普比率(0.627)和Sortino比率(0.314),包括SPX(7.39%,0.481,0.229)。此外,LASSO组合的最大回撤为36.00%,而SPX的最大回撤超过52.50%。 经济变量与情绪变量具有互补性 在扩张期间,情绪变量未能提供增量。基于宏观经济变量的策略提供 0.70的夏普比率,超过了基于情绪策略的0.56和同时使用宏观经济和情绪变量策略的0.65。然而,任何策略均未能超越买入持有基准策略。在衰退期间,依赖于宏观经济或情绪变量的策略表现不佳。宏观经济策略的夏 4《. RSAP-DFM:基于连续状态的动态 普比率为-1.06,情绪策略的夏普比率为-0.85,均低于基准买入持有策略 因子模型——“学海拾珠”系列之二百零四》 5.《基金业绩与风格暴露的变化——“学海拾珠”系列之二百零三》 6.《基于特征显著性隐马尔可夫模型的动态资产配置——“学海拾珠”系列之二百零二》 7.《上市公司的财报电话会议对股价的影响——“学海拾珠”系列之二百零一》 的-0.76夏普比率。然而,基于这两类信息的综合信号的策略夏普比为 0.47,表现出色。 风险提示 文献结论基于历史数据与海外文献进行总结;不构成任何投资建议。 正文目录 1引言4 2数据与方法6 2.1预测与市场状态变量6 2.2方法论7 2.3表现评估8 3实证结果8 3.1绩效结果的相关性9 3.2市场下跌期间的预测误差9 3.3月度回报的表现和统计分析11 3.4机器学习投资组合与标准普尔500指数的CEQ12 3.5经济变量与情绪变量的互补性13 4结论15 风险提示:15 图表目录 图表1文章框架4 图表2预测结果的相关性9 图表3月度机器学习模型的预测误差10 图表4月度回报的表现和统计分析12 图表5确定等效收益13 图表6在不同NBER周期中的表现14 图表7在衰退早期和晚期中的表现15 1引言 图表1文章框架 资料来源:华安证券研究所整理 市场择时是一个颇具争议的话题,通常在市场动荡之后再次引发讨论。2020年2月,标普500指数创下历史新高,但紧接着出现了自1987年10月以来最大幅度的5天跌幅以及自大萧条以来最大幅度的20天跌幅。这种市场行为难以与Fama等人(1969)提出的理论相吻合,该理论认为市场价格充分反映了所有公开可得的信息。 尽管成功的市场择时与有效市场假说相悖,但一些实证研究,如Jiang等人 (2007)和Kacperczyk等人(2014),表明一些基金经理具备市场择时能力。Wermers(2000)则提出了经济表现不佳时,投资经理进行市场择时的证据。Ludvigson和Ng(2007)对209个宏观经济变量和172个金融变量进行了全面分析,得出了一个波动率因子和一个风险溢价因子,这两个因子解释了未来一个季度超额市场收益波动的16%至20%。GomezCram(2021)展示了如何利用宏观经济 数据在市场择时模型中识别经济周期的转折点,从而使夏普比率提高了60%。 在以往的研究中,市场择时的特征变量往往是宏观经济变量或情绪变量,但这些研究的结果往往不一致。这两个领域在文献中大多是独立研究的。本论文的目的是弥合这一差距,探讨结合情绪变量和宏观经济变量能否产生比单独使用这两类变量更为稳健的市场择时信号。作者使用了一组标准变量以减轻数据挖掘的担忧。作者依赖于先进的机器学习技术,以克服Novy-Marx(2014)强调的伪关系问题。 Buchanan(2019)描述了机器学习如何迅速改变金融行业。她讨论了传统的计量经济学方法主要用于推导推论,而机器学习方法则用于提高预测精度。Gu等人(2020)详细讨论了当潜在预测变量的数量相对于金融时间序列的长度较大时,传统的计量经济学方法会产生高度不稳定的样本外预测。在作者的研究中,作者使用了Gu等人(2020)推荐的两种标准机器学习技术:Tibshirani(1996)提出的最小绝对收缩与选择算子(LASSO),以及Zou和Hastie(2005)的ElasticNet方法。 作者的贡献有三点。首先,作者发现常用的宏观经济和情绪变量未能改善股票 市场的表现。使用宏观经济变量的择时策略的夏普比率为0.37,低于市场的夏普比率0.48,这与Welch和Goyal(2008)的结论一致,他们指出流行的宏观经济变量并不是股票风险溢价的良好预测指标。使用情绪变量的择时策略的夏普比率为0.30,同样低于市场的夏普比率。尽管一些研究,如Mascio和Fabozzi(2019)和Mascio等人(2021)表明,部分由从业者选择性使用的情绪因素可以预测市场表现,但作 者的论文采用了一组常用的情绪变量,这些变量常被学者使用。其次,作者发现结合 情绪变量和宏观经济变量可以产生更优的结果。择时策略的夏普比率为0.62,显著超过市场的夏普比率,且在经济和统计上均具显著性。此外,该策略将投资回撤从53个百分点减少到36个百分点,减少幅度约为30%。作者的发现对那些希望在控 制回撤的同时提升投资表现的投资者具有实际意义。最后,作者考察了宏观经济变 量和情绪变量的互补性。作者研究了这些变量在美国国家经济研究局(NBER)商业 周期中的表现,发现宏观经济变量在市场扩张期间表现优于情绪变量,而在经济衰退期间表现不佳。宏观经济变量和情绪变量的综合表现特别在衰退的后期阶段表现突出,市场接近底部。例如,在2001年衰退的后期阶段,综合策略的夏普比率为 0.89,显著高于标普500指数的夏普比率-0.66。同样,在全球金融危机的后期阶段,综合策略的夏普比率为0.77,优于股票市场的-0.85夏普比率。 本文采用了Mascio和Fabozzi(2019)以及Mascio等人(2021)提出的样本内/样本外方法,研究时间为1994年1月至2020年12月。该方法使用24个月的 样本内数据进行模型估计。因此,样本外期间覆盖了1996年1月至2020年12月。在作者的研究中,作者依赖LASSO方法进行预测。LASSO方法对因子加载施加L1范数惩罚,导致稀疏解。Rapach等人(2013)和Rapach等人(2019)使用LASSO研究国际市场和行业之间的先行-滞后关系。DeMiguel等人(2018)、Freyberger等人(2020)和Feng等人(2020)应用LASSO进行基于特征的因子选择。Mascio和Fabozzi(2019)以及Mascio等人(2021)表明,与传统的情绪指数和逻辑回归模型相比,LASSO在选择集体预测股票市场回报的情绪因素时更有效。 为了保证稳健性,作者还使用ElasticNet和Ridge回归方法重复了作者的分析。Zou和Hastie(2005)表明,当潜在的预测变量高度相关时,结合L1范数(LASSO)和L2范数(Ridge)惩罚的ElasticNet方法能产生更优的预测精度。Ridge回归最早由Hoerl和Kennard(1970)提出,旨在解决多重共线性问题。正如Gu等人(2020)所讨论的,LASSO在因子选择方面非常有效,但ElasticNet还可以缓解估计系数过大的问题。Feng等人(2020)认为,方法的选择取决于具体背景下的模型假设。尽管他们发现LASSO在他们的研究中效果最佳,但他们仍然推荐ElasticNet作为一个优秀的替代方法。 在作者的分析中,作者使用了六个常见的情绪变量和19个标准的宏观经济变量,这些变量的详细说明见附录。然而,作者的方法非常灵活且具有扩展性,未来的研究可以将作者的分析扩展到更多的预测变量上。 本论文在多个领域的文献中做出了贡献。首先,它扩展了之前关于市场预测因 子的研究,通过评估情绪和宏观经济变量的综合效益以及各自的贡献,这两者在学术文献中属于截然不同的研究线索。例如,Ludvigson和Ng(2007)对宏观经济变量进行了全面分析,而Mascio和Fabozzi(2019)则专门研究了情绪指数。作者的研究发现,宏观经济变量和情绪指数的结合可以有效预测未来的市场表现,显示出整合不同预测因子的显著优势。 作者的研究还为金融领域中的机器学习技术文献做出了贡献。先前的研究表明,结合多样化的模型,特别是集成模型,可以带来显著的效益,Opitz和Maclin(1999)对此进行了详细讨论。作者的研究证明,当这些弱预测因子提供互补的信息集时,结合它们可以产生更优的结果。 最后,作者对宏观经济变量和情绪变量之间的差异进行了分析。作者的经济周期分析揭示了宏观经济变量和情绪变量作为市场预测因子的互补表现。作者发现,在经济扩张期间,宏观经济变量比情绪变量更有效,而在经济衰退期间,尤其是在股市接近底部的晚期阶段,情绪变量的预测性能显著提高。 作者的研究对那些希望通过战术调整投资组合敞口的投资者具有实际意义。作者提出的时机策略将夏普比率从0.48提高到0.62,约改善了30%,并将回撤减少了约30%。对于那些希望在控制回撤的同时提高投资组合表现的从业者来说,这两项改进都具有重要意义。 本文的结构如下:第二部分介绍了数据和方法,第三部分讨论了实证结果,第四部分是结论。 2数据与方法 本节介绍了本研究中使用的数据集和方法。作者采用了Mascio和Fabozz(i2019) 以及Mascio等人(2021)提出的样本内/样本外方法,研究期间为1994年1月至 2020年12月。该方法使用24个月的样本内数据进行模型估计,因此样本外期间涵 盖了1996年1月至2020年12月。所有变量和收益数据均为月度数据,且没有缺失值,原始变量未经过变换处理。 2.1预测与市场状态变量 本研究考虑了六个情绪变量和19个宏观经济变量,具体描述见附录。 1.情绪指数:密歇根大学消费者信心指数、费城联储商业展望调查扩散指数总体状况、NFIB小企业乐观指数、Aruoba–Diebold–Scotti商业状况指数(Aruoba等人,2009年提出)、GZ信用利差(Gilchrist和Zakrajsek,2012年提出)、超额债券溢价(Gilchrist和Zakrajsek,2012年提出)。 2.宏观经济变量:密歇根大学当前经济状况指数、密歇根大学消费者预期指数、密歇根大学预期未来一年价格变化中值、彭博美国每周消费者舒适指数、联邦基