---

作者: Martin Lettau, Stijn Van Nieuwerburgh
最近更新: 2020-Sep-11
最近复习: N/A
金融论文读笔 No.2

---

此论文之意义

股价收益率是否可以用财务比率预测仍然是一个颇受争议的话题。具体来说，已有的研究无法解释以下几个问题：

• 财务比率高度自相关，但如果在回归时考虑这一因素，回归系数就不显著了（evidence of forecastability is weaker） //注：显著性与可预测性的联系方式在 这篇文章有解释
• 财务比率在样本内预测效果挺好，但一到样本外就不行了
• 用财务比率进行预测的时候，收益率与财务比例之间的依赖关系很不稳定，随着样本时间的变化而变化

作者提出：
以上所有的矛盾，原因在于之前的研究在跑回归的时候，假设了财务比率在均值调整（demean）后是平稳的。但作者认为，财务比率在不同阶段具有不同的均值（we show that the hypothesis of permanent changes in the mean of various price ratios is supported by the data）。因此，如果不考虑这种结构性的变动，而直接用去均值后的时间序列进行回归，会得到错误的回归结果。

进一步，作者发现在考虑不同阶段有不同均值后，财务比率对各个阶段均值的偏离，这个数值是平稳的，可以作为调整后的财务比率。更加清楚地说，传统的研究认为，在下式中是平稳的
但是实际上，更准确的描述应该为即均值本身可能发生非平稳的变化。比如1991年后 不可逆地变大了等等。因此，考虑均值本身的变动才能使得去均值后的变量是平稳的。

---

主要结论

断点（break）是用统计方法推断得到，具体操作是
（1）先推测断点在哪里
（2）然后用Bai and Perron（1998）算统计量（something called "sup-F-test"）

基本结果都在下面图、表里：

• 没有考虑系统性变化时，回归系数不稳定，且并非显著异于0（图1-1）
• 考虑1次，或者2次系统性变化时，回归系数渐渐变成一条水平线，且总是显著大于0（图1-2，1-3）
• 表第二列是加入1次系统变化的回归，此时分样本和全样本的回归系数都是0.235，非常强的信号
• 文章还解释了为什么out-of-sample forecast效果差，原因在于：在现实世界里，我们要同时推断断点发生的时间，以及发生后新的mean在什么水平。这两件事情里，尤其难以做到的是第二点。因此就样本外预测而言，不考虑断点<考虑断点<random walk prediction。（这一部分我没有非常仔细阅读，如有需要请自行查阅原文）

Lettau_Van_Nieuwerburgh_2008_1.png Lettau_Van_Nieuwerburgh_2008_2.png