基于相关性的行业轮动模型，计量经济+机器学习.docxVIP

正文目录 TOC \o 1-2 \h \z \u 引言 4 行业轮动现象 5 申万一级行业描述分析 5 Adaptive Lasso 回归 5 行业轮动现象总结 9 R 方大小之争 10 统计学习方法下的收益预测 12 充分预测向量 12 充分预测向量计算 15 预测模型 16 实证分析 18 Taking Advantage of Industry Interdependencies —— A Simple Approach of Industry Rotation Abstract We use the adaptive LASSO from the statistical learning literature to identify economically connected industries in a general framework that accommodates complex industry interdependencies. Our results show that lagged returns of interdependent industries are significant predictors of individual industry returns. To solve low R square problem, a statistical learning method called sufficient predictor forecasting is taken advantaged to improving the model performance. The empirical strategy backtestings of this AI method show us good performances. 图表目录 表 1：申万一级行业风险收益指标 5 表 2：回归结果展示 7 表 3：行业间相关性总结 10 表 4：农林牧渔行业下的充分预测向量20190731） 13 表 5：计算机行业下的充分预测向量20190731） 14 表 6行业超额收益预测与R 方 15 表 7：回测指标（2004.10-2019.07） 18 图 1：预测流程 AI 化展示 17 图 2：各组合累积收益图 19 图 3：对冲组合累积收益图 19 附录： 1、参考文献 2、R 代码 引言 直观上和统计学意义上，行业间存在相关性，当然，这个相关性可能是由于行业间的经济联系导致的，因为行业的上下游关系，以及同周期等原因。当然，相关性还可能纯粹来自于“轮动”本身的意义，因为，人性中自带均值回复，一个行业涨幅过大，担心回调减少组合收益，自然会寻找相对便宜的其它行业。所以，人性中自带的轮动思维，也是导致行业收益率相关性的一个原因。 当然，轮动的本质可能比这个复杂，复杂到无法研究，但是，作者认为投资无需抓本质，因为抓不到本质， 投资只需要发现规律、总结规律、利用规律，本质抓不到，我们可以从现象出发，因为伟大哲学家胡塞尔告诉我们：现象反应本质。所以，不管是由于行业间的经济联系还是统计相关性，这个规律可以利用，我们就拿来进行行业收益预测。 Cohen 和 Frazzini(参考文献[4])、 Menzly 和 Ozbas(参考文献 5)发现了行业间的相关性并对跨行业预测做出了重要贡献，我们的研究对其进行了扩展。他们的结果表明，经济上相关联行业间的信息存在逐渐扩散的现象，与Hong，Torous，和 Valkanov 的理论模型保持一致。相较于 Cohen 和 Frazzini，Menzly 和 Ozbas，他们仅仅研究了上下游的经济联系，我们对他们的研究进行了扩展：如果一个行业的收益可以被另一个行业预测，那么这两个行业是经济相关的。在这个定义下，上下游联系是复杂的行业联系的一个特例。比如，在互联网时代的今天，信息技术的冲击可以影响到生产各部门，即使这两个部门没有直接共同参与到一个上下游关系中。这样的案例为经济信息逐渐扩散的跨行业预测提供了一个更宽广的视角。 为了说明行业相关性，我们引入了一个回归预测模型，该模型将所有行业收益率的滞后项作为预测因子。我们考虑申万一级行业指数（28 个行业），通过该模型进行常规的预测，因为预测因子间存在相关性，常规线性模型会存在如下缺陷，比如过度拟合，预测变量共线性带来不准确的参数估计。为了解决这些问题，我们采用了稀疏统计学中带 L1 惩罚项的回归——Adaptive LASSO 方法,此方法是 Zou’s（2006）对 Tibshi