In Aarab (2020), I examine U.S. stock return predictability across economic regimes and document evidence of time-varying expected returns across market states in the long run. The analysis introduces a state-switching specification in which the market state is proxied by the slope of the yield curve, and proposes an Aligned Economic Index built from the popular predictors of Welch and Goyal (2008) (augmented with bond and equity premium measures). The Aligned Economic Index under the state-switching model exhibits statistically and economically meaningful in-sample ($R^2 = 5.9\%$) and out-of-sample ($R^2_{\text{oos}} = 4.12\%$) predictive power across both recessions and expansions, while outperforming a range of widely used predictors. In this work, I examine the added value for professional practitioners by computing the economic gains for a mean-variance investor and find substantial added benefit of using the new index under the state switching model across all market states. The Aligned Economic Index can thus be implemented on a consistent real-time basis. These findings are crucial for both academics and practitioners as expansions are much longer-lived than recessions. Finally, I extend the empirical exercises by incorporating data through September 2020 and document sizable gains from using the Aligned Economic Index, relative to more traditional approaches, during the COVID-19 market turbulence.


翻译:在Aarab(2020)的研究中,我考察了不同经济体制下美国股票收益的可预测性,并记录了长期内市场状态间时变预期收益的证据。该分析引入了一种状态转换模型,其中市场状态由收益率曲线的斜率作为代理变量,并提出了一个基于Welch与Goyal(2008)的经典预测因子(辅以债券与股权溢价指标)构建的"对齐经济指数"。在状态转换模型下,该对齐经济指数在样本内($R^2 = 5.9\%$)与样本外($R^2_{\text{oos}} = 4.12\%$)均展现出具有统计意义与经济意义的预测能力,且同时适用于经济衰退期与扩张期,其表现优于一系列广泛使用的预测指标。本研究通过计算均值-方差投资者的经济收益,检验了该指数对专业从业者的附加价值,发现采用状态转换模型下的新指数在所有市场状态下均能产生显著的附加收益。因此,对齐经济指数可在实时基础上保持一致性应用。由于经济扩张期通常远长于衰退期,这些发现对学术界与从业者均至关重要。最后,我将实证分析数据扩展至2020年9月,并证明在COVID-19市场动荡期间,相较于传统方法,使用对齐经济指数能获得可观的收益提升。

0
下载
关闭预览

相关内容

144页ppt《扩散模型》,Google DeepMind Sander Dieleman
专知会员服务
48+阅读 · 11月21日
Transformers 出现以来关系抽取任务的系统综述
专知会员服务
25+阅读 · 11月8日
专知会员服务
42+阅读 · 2021年1月18日
AAAI 2022 | ProtGNN:自解释图神经网络
专知
10+阅读 · 2022年2月28日
NLG任务评价指标BLEU与ROUGE
AINLP
21+阅读 · 2020年5月25日
LibRec 每周算法:DeepFM
LibRec智能推荐
14+阅读 · 2017年11月6日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
VIP会员
相关VIP内容
144页ppt《扩散模型》,Google DeepMind Sander Dieleman
专知会员服务
48+阅读 · 11月21日
Transformers 出现以来关系抽取任务的系统综述
专知会员服务
25+阅读 · 11月8日
专知会员服务
42+阅读 · 2021年1月18日
相关资讯
AAAI 2022 | ProtGNN:自解释图神经网络
专知
10+阅读 · 2022年2月28日
NLG任务评价指标BLEU与ROUGE
AINLP
21+阅读 · 2020年5月25日
LibRec 每周算法:DeepFM
LibRec智能推荐
14+阅读 · 2017年11月6日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员