近日，我院助理教授施展及其合作者Jing-Zhi Huang（賓夕法尼亞州立大學）合著論文Machine-Learning-Based Return Predictors and the Spanning Controversy in Macro-Finance (《基于機器學習的回報預測因子與利率曲線的信息完備性之謎》)被國際一流學術期刊《管理科學》(Management Science)正式接收，待刊發表。

 

利率債的超額回報是可預測的嗎？已有文獻發現，基于收益率曲線構造的變量（如遠期利差等）具有對美國國債超額回報的預測能力。然而，對于收益率曲線是否具有信息完備性——收益率之外的因子（如宏觀經濟變量）能否對未來超額債券收益率具有額外的預測能力，文獻中沒有達成共識。過去實證文獻中考慮的宏觀變量通常是衡量實體經濟增速和通貨膨脹的标準變量。這些變量對債券風險溢價的直接預測能力很小，或者與收益率曲線高度相關，因此在控制了國債收益率因素後失去預測能力。

 

該論文提出一種兩階段機器學習算法（SAGLasso）并将其應用于包含131個宏觀經濟變量（以及它們的6期滞後）的面闆數據來構建新的宏觀變量，稱為SAGLasso因子。

 

SAGLasso因子在控制了收益率因素後，對債券風險溢價具有很強的樣本外預測能力。更為重要的是，SAGLasso因子的預測能力可以為投資者帶來巨大的經濟收益。

 

除了有強大的預測能力之外，SAGLasso因子還具有簡約、直觀和易于解讀的特征。具體而言，它是從917個宏觀經濟變量中篩選出的30個變量的線性組合，與許多不具有經濟意義的預測因子不同，SAGLasso因子選取的30個宏觀經濟變量可以歸類為房地産、勞動力以及通貨膨脹三個方面的經濟因素。此外，SAGLasso因子與當期債券收益率的相關性極低，因此，它是一個“純粹的”基于宏觀指标的債券收益預測因子。

 

SAGLasso因子也為宏觀金融文獻中利率曲線的信息完備性之謎提供了一個潛在的解決方法。由于SAGLasso因子幾乎不受當期收益率因素的影響，收益率因子在回歸模型中無法吸收其預測能力；而動态期限結構模型的估計結果也表明，忽略宏觀層面的因素會損失25%左右的關于未來債券回報的信息。

 

此篇論文有諸多創新之處：

首先，它是最早在債券市場上引入機器學習算法的文獻之一（曾在2011年美國金融學會年會上宣講）。該算法适用于從大量宏觀變量中構造簡約的回報預測因子。

其次，該論文構造了一個新的、易于解讀的宏觀預測因子，該因子對債券風險溢價具有很強的樣本外條件預測能力。此外，與文獻中常用的宏觀變量不同，SAGLasso因子對債券超額收益的預測能力不會被收益率因素所吸收，而且在小樣本分析中表現穩健。

第三，構造的SAGLasso因子可以在統一的框架下解決宏觀金融文獻中關于收益率曲線信息完備性的争議。

閱讀原文