20210311-兴业证券-海外文献推荐系列之一百一十四_西学东渐_15页_1mb

股票平均方差与市场回报：可预测性与时间序列变化分析

核心内容

本文探讨了股票市场的日度收益是否具有可预测性，并分析了这种可预测性是否随时间变化。作者使用市值加权方法计算股票市场的平均方差，并基于此构建预测模型，检验其对市场收益的预测能力。研究发现，虽然股票平均方差与市场收益存在显著的正相关关系，但基于此的预测模型在实际交易中并不具备盈利性。然而，当允许回归系数随时间变化时，基于滚动窗口的预测模型能够提供显著的经济收益。

主要观点

• 股票平均方差的定义：股票平均方差（AV）是基于市值加权计算的，表示市场中所有股票的方差加权平均，其计算公式为：
  $$
  \mathrm{AV}t = \sum{i=1}^{\mathrm{N}t} \lambda{it} r_{it}^2
  $$
  其中，$\lambda_{it}$ 是股票i在第t日的市值权重。

• 预测模型的稳定性：当假设预测模型的回归系数固定不变时，股票平均方差与未来市场收益存在显著正相关关系。然而，这种模型在实际交易中无法产生盈利。

• 时间序列变化的重要性：若允许回归系数随时间变化，使用60日滚动窗口进行回归，可以捕捉到预测关系的显著变化，从而实现更好的市场择时效果。这种策略（滚动窗口择时策略，RWTS）在夏普比率上优于买入持有策略（MBHS），并且在经济紧缩时期表现尤为突出。

• 经济周期的影响：收益率的可预测性在经济紧缩时期显著高于扩张时期。然而，滚动窗口策略并不依赖于经济状态，表明可预测性的变化并非仅由宏观经济状态驱动。

• 经济状态与预测能力的关系：基于经济状态的预测模型（2SFITS）在经济紧缩期间表现优于MBHS，但在实际交易中不如RWTS有效，因为后者仅依赖于投资者可获得的信息。

关键信息

• 数据来源：1926年1月4日至2008年12月31日的日频数据，包括市场收益和单个股票收益、市值等。

• 模型与策略：

  • 扩展窗口择时策略（EWTS）：使用全部历史数据估计回归系数，但无法带来实际收益。
  • 滚动窗口择时策略（RWTS）：使用60日滚动窗口估计回归系数，具有更好的预测能力和夏普比率（0.728）。
  • 两状态信息择时策略（2SFITS）：依赖于经济状态信息，仅在经济紧缩时期表现较好。

• 经济收益：

  • RWTS的年化收益率为11.36%，标准差为10.9%，夏普比率为0.728。
  • 投资者愿意支付年费1.91%至2.23%来投资RWTS。
  • 在经济紧缩期间，RWTS有44.5%的时间投资于股票市场，而在扩张期间有68%的时间投资。

• 预测能力的衡量：

  • 在全样本中，$\beta^{\mathrm{R}}$ 的平均值为2.724，标准差为8.249。
  • 在10%显著性水平下，有9342个回归系数具有统计显著性，且R²显著高于固定系数模型。

• 经济状态与预测关系：

  • 在经济紧缩期间，$\beta$ 值为0.783，R²为0.66%。
  • 在经济扩张期间，$\beta$ 值为0.442，R²为0.10%。
  • 说明经济紧缩时期预测能力更强，但预测关系的变动并不完全由经济状态驱动。

结论

• 预测模型的局限性：固定系数的预测模型在实际交易中无法带来收益，而允许系数随时间变化的模型则能显著提高预测能力和经济收益。

• 策略有效性：滚动窗口择时策略在牛市中频繁投资，在熊市中减少投资，从而有效规避风险并实现超额收益。

• 研究意义：本文为市场择时策略提供了新的视角，强调了时间序列变化对预测能力的重要性，并为未来研究非系统性风险的定价机制提供了基础。

投资要点

• 西学东渐指西方学术思想向中国传播的历史过程，本文旨在将有价值的海外文献推荐给读者。
• 股票平均方差作为衡量市场波动的因子，对市场收益具有一定的预测能力，但需考虑其时间序列变化。
• 实际交易中，考虑时间序列变化的策略表现更优，且不依赖于经济状态。
• 研究结果强调了时变参数在预测模型中的重要性，有助于改进市场预测和投资决策。

风险提示

• 文献中的结果基于历史数据统计、建模和测算，不能保证在政策或市场环境变化时依然有效。
• 投资者应独立评估报告内容，并考虑自身投资目标和风险承受能力。

参考文献

• Bali, T., N. Cakici, X. Yan, and Z. Zhang. (2005). "Does Idiosyncratic Risk Really Matter?"
• Campbell, J. (2007). "Estimating the Equity Premium."
• Dangl, T., and M. Halling. (2008). "Predictive Regressions with Time-Varying Coefficients."
• Goyal, A., and P. Santa-Clara. (2003). "Idiosyncratic Risk Matters!"
• Goyal, A., and I. Welch. (2008). "A Comprehensive Look at the Empirical Performance of Equity Premium Prediction."
• Henkel, S., J. Martin, and F. Nardari. (2011). "Time-Varying Short Horizon Predictability."
• Hong, H., T. Lim, and J. Stein. (2000). "Bad News Travels Slowly: Size, Analyst Coverage, and the Profitability of Momentum Strategies."
• Malkiel, B., and Y. Xu. (1997). "Risk and Return Revisited."
• Merton, R. (1987). "A Simple Model of Capital Market Equilibrium with Incomplete Information."
• Paye, B., and A. Timmerman. (2006). "Instability of Return Prediction Models."
• Pesaran, H., and A. Timmerman. (1995). "Predictability of Stock Returns: Robustness and Economic Significance."
• Pesaran, H., and A. Timmerman. (2002). "Market Timing and Return Prediction under Model Instability."
• Van Nieuwerburgh, S., and L. Veldkamp. (2006). "Learning Asymmetries in Real Business Cycles."
• Veldkamp, L. (2005). "Slow Boom, Sudden Crash."
• Wei, S., and C. Zhang. (2005). "Idiosyncratic Risk Does Not Matter: A Re-Examination of the Relation between Average Returns and Average Volatilities."