中國(guó)股市可預(yù)測(cè)性的穩(wěn)健性檢驗(yàn)

摘? ?要：本文利用2006年3月到2017年9月的數(shù)據(jù)，使用IVX-WALD方法研究了中國(guó)股市的可預(yù)測(cè)性，研究發(fā)現(xiàn)：（1）股息率、通貨膨脹率、M2未預(yù)期增長(zhǎng)率和資金成本相關(guān)的到期收益率變量對(duì)未來(lái)股票超額收益率具有預(yù)測(cè)能力;（2）樣本外的檢驗(yàn)發(fā)現(xiàn)股息率、股票方差和第一主成分相比歷史均值模型具有更強(qiáng)的預(yù)測(cè)效果;（3）熊市中，包含預(yù)測(cè)變量的預(yù)測(cè)模型能夠提高經(jīng)濟(jì)意義上的表現(xiàn)，而牛市中預(yù)測(cè)模型具有更好的統(tǒng)計(jì)檢驗(yàn)效果;（4）包含情緒信息的指標(biāo)在牛市中具有更好的預(yù)測(cè)能力。

關(guān)鍵詞：股市可預(yù)測(cè)性;穩(wěn)健性;股息率;情緒指標(biāo)

中圖分類(lèi)號(hào)：F832.5? ?文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1674-2265（2018）12-0003-07

DOI：10.19647/j.cnki.37-1462/f.2018.12.001

一、引言

資本市場(chǎng)的可預(yù)測(cè)性一直都是金融學(xué)最關(guān)心的話題之一。傳統(tǒng)的金融學(xué)認(rèn)為資本市場(chǎng)的回報(bào)率是不可預(yù)測(cè)的，但越來(lái)越多的研究發(fā)現(xiàn)股票市場(chǎng)存在著可預(yù)測(cè)性，并開(kāi)始受到廣泛的關(guān)注和認(rèn)可，Cochrane（1999）甚至將市場(chǎng)收益率的可預(yù)測(cè)性稱(chēng)為金融學(xué)中“新的事實(shí)”（New facts）。可預(yù)測(cè)性的研究對(duì)于金融學(xué)理論的發(fā)展以及實(shí)務(wù)界的投資決策均有著至關(guān)重要的作用：Cochrane（2008）認(rèn)為可預(yù)測(cè)性的存在會(huì)使得所有基于股票市場(chǎng)隨機(jī)游走假設(shè)的結(jié)果得到修改;Ferson等（2008）指出通過(guò)預(yù)測(cè)回歸發(fā)現(xiàn)的對(duì)股票市場(chǎng)有預(yù)測(cè)性的變量在條件定價(jià)模型中會(huì)起到作用;Campbell和Thompson（2008）通過(guò)實(shí)際數(shù)據(jù)發(fā)現(xiàn)即便微弱的預(yù)測(cè)效果也可以提高資產(chǎn)配置的效果。

盡管可預(yù)測(cè)性的研究具有十分重要的金融理論意義以及實(shí)務(wù)投資的指導(dǎo)意義，然而目前相關(guān)研究主要集中于美國(guó)等發(fā)達(dá)國(guó)家的市場(chǎng)，僅姜富偉等人（2011）對(duì)中國(guó)市場(chǎng)進(jìn)行了相關(guān)的檢驗(yàn)，但考慮到以下幾點(diǎn)，我們認(rèn)為仍有必要重新對(duì)中國(guó)的股票市場(chǎng)進(jìn)行可預(yù)測(cè)性檢驗(yàn)：首先，由于預(yù)測(cè)變量的高度自相關(guān)性，傳統(tǒng)方法不再有效，需要采用更加穩(wěn)健有效的檢驗(yàn)方法，來(lái)得到更加可靠的結(jié)論;其次，由于可預(yù)測(cè)性研究的逐步深入，近些年有越來(lái)越多的在國(guó)際市場(chǎng)具有可預(yù)測(cè)性的變量被發(fā)現(xiàn)，這些變量在中國(guó)是否具有可預(yù)測(cè)性還有待進(jìn)一步驗(yàn)證，例如Neely等（2014）發(fā)現(xiàn)技術(shù)指標(biāo)對(duì)宏觀變量的可預(yù)測(cè)性具有互補(bǔ)的效果;另外，越來(lái)越多的研究發(fā)現(xiàn)股票市場(chǎng)的可預(yù)測(cè)性主要來(lái)自股市下跌過(guò)程（Henkel等，2011;Dangl和Halling，2012），在中國(guó)市場(chǎng)是否有同樣的情形也需要進(jìn)一步檢驗(yàn)。

二、文獻(xiàn)綜述

可預(yù)測(cè)性的研究主要分為三個(gè)方向，其中第一個(gè)研究方向是從金融學(xué)理論的角度去探究股票市場(chǎng)可預(yù)測(cè)性的原因。Campbell和Shiller（1988）從收益率的計(jì)算公式出發(fā)，對(duì)其進(jìn)行泰勒展開(kāi)等變換，發(fā)現(xiàn)股息價(jià)格比對(duì)未來(lái)的股票收益率以及股息增長(zhǎng)率具有預(yù)測(cè)作用，并通過(guò)實(shí)證檢驗(yàn)發(fā)現(xiàn)股息價(jià)格比對(duì)未來(lái)收益率具有預(yù)測(cè)作用。Rapach等（2013）發(fā)現(xiàn)美國(guó)滯后一期的收益率對(duì)于其他發(fā)達(dá)國(guó)家的股票收益率具有顯著的預(yù)測(cè)效果，認(rèn)為美國(guó)處于信息的中心，由于信息摩擦使得美國(guó)資本市場(chǎng)能夠率先對(duì)新信息進(jìn)行反映。Bollerslev等（2015）通過(guò)將方差風(fēng)險(xiǎn)溢價(jià)分解為代表經(jīng)濟(jì)不確定性風(fēng)險(xiǎn)和代表恐慌的尾部跳躍風(fēng)險(xiǎn)，發(fā)現(xiàn)方差風(fēng)險(xiǎn)溢價(jià)對(duì)市場(chǎng)的可預(yù)測(cè)性主要來(lái)自代表恐慌的尾部跳躍風(fēng)險(xiǎn)，為行為金融學(xué)理論提供了新的依據(jù)。關(guān)于可預(yù)測(cè)性更多的解釋以及可能涉及的金融學(xué)理論，Corhrane（2011）在2010年美國(guó)金融協(xié)會(huì)的主席演講中列出了可能的原因，例如基于宏觀經(jīng)濟(jì)的理論、行為金融學(xué)理論以及信息摩擦理論等。

可預(yù)測(cè)性研究的第二個(gè)方向是統(tǒng)計(jì)方法，由于股息價(jià)格比等預(yù)測(cè)變量通常具有高度自相關(guān)，表現(xiàn)出接近單位根過(guò)程或者單位根過(guò)程的特征，而收益率通常被認(rèn)為是接近白噪聲的過(guò)程，傳統(tǒng)的回歸方法在進(jìn)行可預(yù)測(cè)性的檢驗(yàn)時(shí)會(huì)出現(xiàn)內(nèi)生性導(dǎo)致的虛假回歸情況，導(dǎo)致估計(jì)有偏和傳統(tǒng)檢驗(yàn)方法失效（Elliott和Stock，1994;Cavanagh等，1995;Stambaugh，1999）。Campbell和Yogo（2006）（簡(jiǎn)記為CY）提出的Bonferroni方法得到了廣泛的應(yīng)用，但其仍然面臨很多問(wèn)題，例如Phillips（2014）指出當(dāng)預(yù)測(cè)變量平穩(wěn)時(shí)，該方法會(huì)出現(xiàn)嚴(yán)重的顯著性水平失真問(wèn)題，另外該方法只適用于一維情形。Kostakis等（2015）通過(guò)類(lèi)似于構(gòu)造工具變量的方法提出了IVX-WALD的方法，該方法不僅適用于多維情形，并且無(wú)論預(yù)測(cè)變量服從何種過(guò)程，該方法均表現(xiàn)穩(wěn)健有效。但Phillips（2014）則提出該方法對(duì)于參數(shù)選擇敏感。

可預(yù)測(cè)性的第三個(gè)研究方向?yàn)閷?shí)證研究，由于可預(yù)測(cè)性對(duì)于金融理論和投資實(shí)務(wù)均具有十分重要的作用，關(guān)于可預(yù)測(cè)性的實(shí)證研究也在各個(gè)市場(chǎng)展開(kāi)，但主要集中在美國(guó)等發(fā)達(dá)國(guó)家（Campbell和Thompson，2008;Welch和Goyal，2008;Rapch等，2013）。發(fā)展中國(guó)家的相關(guān)研究也正逐步展開(kāi)，例如Narayan和Bannigidadmath（2015）發(fā)現(xiàn)印度的資本市場(chǎng)具有可預(yù)測(cè)性。在中國(guó)市場(chǎng)的可預(yù)測(cè)性檢驗(yàn)方面，姜富偉等（2011）采用了傳統(tǒng)的方法同樣發(fā)現(xiàn)了可預(yù)測(cè)性。

三、數(shù)據(jù)描述

本文數(shù)據(jù)來(lái)源于萬(wàn)得數(shù)據(jù)庫(kù)，關(guān)于樣本區(qū)間的選擇，李志冰等（2017）通過(guò)五因子模型發(fā)現(xiàn)股改后市場(chǎng)更加有效;另外，在2006年之后有更多的預(yù)測(cè)變量供我們選擇，例如與企業(yè)債相關(guān)的信用利差（Campbell和Thompson，2008），因此為了使數(shù)據(jù)更加有效，更能反映股權(quán)分置改革之后的情形，以及加入更多的預(yù)測(cè)變量，將時(shí)間區(qū)間選為2006年3月至2017年9月。

關(guān)于股票市場(chǎng)收益率的選擇，根據(jù)Campbell和Shiller（1988）的推導(dǎo)公式以及國(guó)際上常用的方法（Welch和Goyal，2008），選擇滬深300全收益（萬(wàn)得對(duì)應(yīng)代碼為H00300.CSI）的超額收益率作為數(shù)據(jù)庫(kù)中研究對(duì)象，其中無(wú)風(fēng)險(xiǎn)收益率選取了銀行三個(gè)月的定期存款利率。

預(yù)測(cè)變量選擇了姜富偉等（2011）選取的12個(gè)變量以及其他國(guó)際市場(chǎng)上發(fā)現(xiàn)的具有預(yù)測(cè)能力的變量。姜富偉等（2011）中的變量包含股利支付率（DE）、股利價(jià)格比（DP）、股息率（DY）、盈余價(jià)格比（EP）、賬面市值比（BM）、股票方差（SVAR）、凈權(quán)益增加（NTIS）、換手率（TO）、通貨膨脹率（Infl）、M0未預(yù)期增長(zhǎng)率（M0G）、M1未預(yù)期增長(zhǎng)率（M1G）以及M2未預(yù)期增長(zhǎng)率（M2G）。新加入的在國(guó)際市場(chǎng)上被發(fā)現(xiàn)有預(yù)測(cè)能力的變量有：短期利率（ST）選擇的是銀行三個(gè)月的定期存款利率;長(zhǎng)期利率（LT）是十年期國(guó)債到期收益率;期現(xiàn)利差（TS）為長(zhǎng)期利率與短期利率之差;投資級(jí)債到期收益率（AAA）是AAA級(jí)企業(yè)債十年到期收益率;投機(jī)級(jí)債到期收益率（AA）是AA級(jí)企業(yè)債十年到期收益率，由于中國(guó)債券市場(chǎng)開(kāi)展較晚，該數(shù)據(jù)從2007年5月才可獲得;信用利差（DYS）是AA級(jí)企業(yè)債到期收益率與AAA級(jí)企業(yè)債到期收益率之差;美國(guó)滯后期收益率（USL）是標(biāo)普500的對(duì)數(shù)收益率;技術(shù)指標(biāo)參照了Neely等（2014）的方法構(gòu)造了14個(gè)技術(shù)指標(biāo)，并加總成一個(gè)變量（tech_indi）。

大量文獻(xiàn)（Elliott和Stock，1994;Cavanagh等，1995;Stambaugh，1999）均提出，當(dāng)預(yù)測(cè)變量高度自相關(guān)，并且預(yù)測(cè)方程和預(yù)測(cè)變量的自回歸方程噪音項(xiàng)相關(guān)時(shí)，傳統(tǒng)的檢驗(yàn)方法會(huì)失效，本文首先給出了所有變量的一階自回歸系數(shù)以及單位根檢驗(yàn)結(jié)果，單位根檢驗(yàn)采用了三種方法，分別是ADF檢驗(yàn)、PP檢驗(yàn)以及KPSS檢驗(yàn)，其中ADF檢驗(yàn)和PP檢驗(yàn)的原假設(shè)為序列服從單位根過(guò)程，而KPSS的原假設(shè)為序列是平穩(wěn)過(guò)程。相關(guān)結(jié)果見(jiàn)表1。

從表1可以看出，大部分變量的自回歸系數(shù)與1接近，并且單位根檢驗(yàn)顯示這些變量可能服從單位根過(guò)程，比如與利率水平相關(guān)的變量，根據(jù)Elliott和Stock（1994）等研究的發(fā)現(xiàn)，傳統(tǒng)的統(tǒng)計(jì)方法不再有效。另外，SP500的收益率等正如我們預(yù)期的一樣，呈現(xiàn)出平穩(wěn)過(guò)程的特征，這使得被廣泛使用的CY法不再適用。同時(shí)，我們發(fā)現(xiàn)大多數(shù)變量在三個(gè)檢驗(yàn)中出現(xiàn)了不一致的結(jié)論，例如股利價(jià)格比和股息率等，使我們并不能確定該變量服從何種過(guò)程，對(duì)我們進(jìn)一步開(kāi)展市場(chǎng)的可預(yù)測(cè)性檢驗(yàn)造成困難。

四、統(tǒng)計(jì)檢驗(yàn)的有效性

由于很難判斷預(yù)測(cè)變量服從何種過(guò)程，使得傳統(tǒng)的方法以及CY的方法都不再有效，而Kostakis等人（2015）提出的IVX-WALD在即便不知道預(yù)測(cè)變量服從何種過(guò)程時(shí)，仍然具有穩(wěn)健有效的統(tǒng)計(jì)結(jié)果。除此之外，相比于CY只適用于一維變量的可預(yù)測(cè)性檢驗(yàn)，IVX-WALD方法可以適用于多維情形，并且目前越來(lái)越多的文獻(xiàn)發(fā)現(xiàn)不同維度的變量包含不同的信息，通過(guò)不同維度的變量進(jìn)行結(jié)合會(huì)提高模型的預(yù)測(cè)能力。例如Ang和Bekaert（2007）發(fā)現(xiàn)短期利率能夠在短期水平上提高股利價(jià)格比的預(yù)測(cè)力;Neely等人（2014）發(fā)現(xiàn)技術(shù)指標(biāo)變量對(duì)宏觀變量的可預(yù)測(cè)性具有互補(bǔ)的效果。然而Phillips（2014）指出IVX-WALD法對(duì)于參數(shù)的選取敏感，本文將結(jié)合中國(guó)市場(chǎng)的數(shù)據(jù)，來(lái)檢驗(yàn)選擇的參數(shù)是否適用于中國(guó)市場(chǎng)的可預(yù)測(cè)性檢驗(yàn)。

與Kostakis等（2015）一樣，參數(shù)Φ和Σ的選擇來(lái)自中國(guó)市場(chǎng)數(shù)據(jù)基于上述模型進(jìn)行的估計(jì)，根據(jù)表1的結(jié)果，我們分別選擇股息率、通貨膨脹率以及M2未預(yù)期增長(zhǎng)率來(lái)分別代理單位根、接近單位根以及平穩(wěn)過(guò)程。同時(shí)為了說(shuō)明傳統(tǒng)方法不適用，我們也給出了OLS方法的顯著性水平檢驗(yàn)，選擇{100，250，500}三種樣本大小，檢驗(yàn)結(jié)果均是使用1000次隨機(jī)模擬計(jì)算得來(lái)，顯著性水平選擇為5%，具體結(jié)果見(jiàn)表2。可以看出，當(dāng)預(yù)測(cè)變量為單位根時(shí)，傳統(tǒng)的檢驗(yàn)方法出現(xiàn)了嚴(yán)重的顯著性水平失真的情況，而IVX-WALD則表現(xiàn)十分穩(wěn)健，與0.05的理論值較近，同樣聯(lián)合檢驗(yàn)也顯示出同樣的結(jié)果。

為了進(jìn)一步說(shuō)明IVX-WALD檢驗(yàn)方法同樣具有檢驗(yàn)效力，進(jìn)一步對(duì)參數(shù)A進(jìn)行不同取值，來(lái)測(cè)算IVX-WALD在中國(guó)市場(chǎng)的檢驗(yàn)效用。如果要檢驗(yàn)預(yù)測(cè)變量為單位根過(guò)程的檢驗(yàn)效用，則A取[bn（1，0，0）]，如果接近單位根和平穩(wěn)的情況，則A分別取[bn（0，1，0）]以及[bn（0，0，1）]，b的取值范圍為{0，4，8，…，56，60}，其中b=0時(shí)對(duì)應(yīng)的是顯著性水平檢驗(yàn)，結(jié)果見(jiàn)表3。

五、樣本內(nèi)的可預(yù)測(cè)性檢驗(yàn)

在檢驗(yàn)了IVX-WALD對(duì)中國(guó)市場(chǎng)同樣具有適用性和有效性之后，本部分檢驗(yàn)在國(guó)際市場(chǎng)上發(fā)現(xiàn)的具有預(yù)測(cè)性的變量在中國(guó)市場(chǎng)是否同樣具有預(yù)測(cè)性。除了單變量檢驗(yàn)外，我們進(jìn)一步檢驗(yàn)了三種多變量的情形，Ang和Bekaert（2007）發(fā)現(xiàn)短期利率能提高股利價(jià)格比的預(yù)測(cè)能力;Lamont（1998）發(fā)現(xiàn)股息和盈余具有不同的信息，因此第二種情形我們考慮了股利價(jià)格比和股息支付率兩個(gè)變量的聯(lián)合;Neely等人（2014）發(fā)現(xiàn)技術(shù)指標(biāo)對(duì)宏觀變量的可預(yù)測(cè)性具有互補(bǔ)的效果，因此我們首先將其他變量一一與技術(shù)指標(biāo)的變量聯(lián)合對(duì)股票市場(chǎng)收益率進(jìn)行預(yù)測(cè)，選擇了唯一聯(lián)合檢驗(yàn)顯著的通貨膨脹率來(lái)進(jìn)行結(jié)果展示。具體結(jié)果見(jiàn)表4。

從單變量的檢驗(yàn)結(jié)果來(lái)看，傳統(tǒng)估值方面的變量并沒(méi)有顯現(xiàn)出顯著的預(yù)測(cè)性，僅股息率在10%的水平上具有預(yù)測(cè)性;而通貨膨脹率卻是所有變量中最為顯著的預(yù)測(cè)變量;在三個(gè)衡量貨幣流通量的指標(biāo)中，僅M2維度具有5%水平上的顯著性;與資金成本相關(guān)的變量中，有三個(gè)變量具有較高的預(yù)測(cè)能力，而衡量時(shí)間維度風(fēng)險(xiǎn)的期限利差以及信用風(fēng)險(xiǎn)的信用利差均沒(méi)有表現(xiàn)出預(yù)測(cè)能力;學(xué)術(shù)界新發(fā)現(xiàn)的美國(guó)市場(chǎng)滯后收益率以及技術(shù)指標(biāo)在中國(guó)市場(chǎng)中均未表現(xiàn)出顯著的預(yù)測(cè)能力。在多變量情形，聯(lián)合檢驗(yàn)中僅發(fā)現(xiàn)通貨膨脹率與技術(shù)指標(biāo)的聯(lián)合檢驗(yàn)具有微弱的顯著性，并且通過(guò)結(jié)果發(fā)現(xiàn)其預(yù)測(cè)能力主要來(lái)自通貨膨脹率。

六、樣本外的可預(yù)測(cè)性檢驗(yàn)

Welch和Goyal（2008）提到樣本內(nèi)的檢驗(yàn)會(huì)因?yàn)槟Ｐ图僭O(shè)錯(cuò)誤而導(dǎo)致效用降低，因此建議進(jìn)行樣本外的可預(yù)測(cè)性檢驗(yàn)。關(guān)于樣本外的檢驗(yàn)，采用學(xué)術(shù)上通用的擴(kuò)展估計(jì)法，即用[t0]期到[t1]期的數(shù)據(jù)估計(jì)模型系數(shù)并預(yù)測(cè)[t1+1]的超額收益，到了下一期，再用[t0]期到[t1+1]期的數(shù)據(jù)估計(jì)模型系數(shù)并預(yù)測(cè)[t1+2]的超額收益，以此類(lèi)推，同時(shí)采用Narayan和Bannigidadmath（2015）的方法，將樣本外的區(qū)間設(shè)置為整個(gè)樣本的50%，即樣本外區(qū)間為2012年1月到2017年9月。除了對(duì)單變量進(jìn)行樣本外檢驗(yàn)，Rapach等（2010）發(fā)現(xiàn)變量的聯(lián)合預(yù)測(cè)具有更強(qiáng)的樣本外預(yù)測(cè)效果，本文采用兩種方法來(lái)將各個(gè)變量的信息包含進(jìn)來(lái)：第一種采用主成分（該方法簡(jiǎn)記為PCA）方法，為了保障所有信息均是可獲得的信息，在每一期預(yù)測(cè)時(shí)，僅采用這一期之前的數(shù)據(jù)進(jìn)行主成分的提取，并以第一主成分作為預(yù)測(cè)變量;第二種方法是將所有單變量預(yù)測(cè)的下一期超額收益率的平均值（該方法簡(jiǎn)記為MEAN）作為一個(gè)新的預(yù)測(cè)值。

七、分時(shí)期檢驗(yàn)

越來(lái)越多的研究發(fā)現(xiàn)股票市場(chǎng)的可預(yù)測(cè)性主要來(lái)自股市下跌過(guò)程（Henkel等，2011; Dangl和Halling，2012），為了檢驗(yàn)中國(guó)的股票市場(chǎng)是否也在市場(chǎng)環(huán)境較差時(shí)更具預(yù)測(cè)效果，在樣本外的部分構(gòu)建了牛市和熊市兩個(gè)子樣本，其中熊市樣本區(qū)間為2013年2月到2014年4月和2015年6月到2016年2月，牛市樣本區(qū)間選擇了2014年5月到2015年5月和2016年3月到2017年9月。具體結(jié)果見(jiàn)表6。

結(jié)合表6，發(fā)現(xiàn)熊市結(jié)果和牛市結(jié)果確實(shí)有所差異，在熊市中，盈余價(jià)格比、股票方差和第一主成分三個(gè)變量能取得更好的表現(xiàn);而在牛市中，股息率、賬面市值比、通貨膨脹率、所有變量預(yù)測(cè)的平均值以及能夠代表情緒的市場(chǎng)波動(dòng)率、凈權(quán)益增加和技術(shù)指標(biāo)具有更好的預(yù)測(cè)能力。雖然整體而言，牛市存在更多具有可預(yù)測(cè)性的變量，但在經(jīng)濟(jì)意義上，熊市中各指標(biāo)具有更好的結(jié)果。以投資收益率而言，在熊市中，盈余價(jià)格比從歷史均值模型下-1.883%提升到了-0.655%;相比之下，在牛市中，表現(xiàn)最好的通貨膨脹率也僅從歷史均值模型下的3.024%提升到3.419%。

八、結(jié)論及建議

本文主要研究了中國(guó)股票市場(chǎng)的可預(yù)測(cè)性，選取了目前學(xué)術(shù)界常用的可預(yù)測(cè)性指標(biāo)，通過(guò)三種單位根檢驗(yàn)方法，發(fā)現(xiàn)大部分變量在三種單位根檢驗(yàn)中出現(xiàn)了結(jié)論不一致的現(xiàn)象，這種預(yù)測(cè)變量的自相關(guān)程度不確定性使得傳統(tǒng)的可預(yù)測(cè)性檢驗(yàn)方法和學(xué)術(shù)界常用的CY方法都不再適用。結(jié)合中國(guó)數(shù)據(jù)，本文發(fā)現(xiàn)IVX-WALD方法相比于傳統(tǒng)方法更加穩(wěn)健有效。

樣本內(nèi)的可預(yù)測(cè)性檢驗(yàn)發(fā)現(xiàn)，通貨膨脹率具有最顯著的預(yù)測(cè)效果，與資金利率水平相關(guān)的債券到期收益率和短期收益率對(duì)股票市場(chǎng)具有可預(yù)測(cè)性。另外，M2未預(yù)期增長(zhǎng)率和股息率也具有微弱的可預(yù)測(cè)性。在進(jìn)行多變量檢驗(yàn)時(shí)，并未發(fā)現(xiàn)明顯的可預(yù)測(cè)性，并且多變量的聯(lián)合顯著性主要來(lái)自其中某個(gè)變量的顯著性。

樣本外的檢驗(yàn)發(fā)現(xiàn)，股息率、股票方差和第一主成分能夠提高歷史均值模型的表現(xiàn);但將樣本分為熊市和牛市進(jìn)行檢驗(yàn)時(shí)，發(fā)現(xiàn)樣本外的可預(yù)測(cè)性主要來(lái)自牛市時(shí)期;包含情緒的相關(guān)變量在牛市中具有更好的預(yù)測(cè)效果。

樣本內(nèi)資金成本的預(yù)測(cè)能力表明中國(guó)市場(chǎng)仍主要為資金驅(qū)動(dòng)的市場(chǎng)，同時(shí)牛市中包含情緒的變量具有更加顯著的預(yù)測(cè)能力，也顯示市場(chǎng)也由情緒驅(qū)動(dòng)。因此對(duì)中國(guó)資本市場(chǎng)而言，要培育以?xún)r(jià)值為導(dǎo)向的投資理念，仍然任重道遠(yuǎn)，不僅需要政策制定者、監(jiān)管機(jī)構(gòu)進(jìn)一步完善制度，也需要投資者自身加強(qiáng)學(xué)習(xí)。

對(duì)于投資而言，考慮所有信息的主成分分析法和模型平均法均具有更優(yōu)的預(yù)測(cè)能力，也強(qiáng)調(diào)了投資者在做投資決策時(shí)需考慮多種信息，進(jìn)行綜合分析，而非盲目地追從。同時(shí)也可以看出在熊市中，基于預(yù)測(cè)模型的投資更具經(jīng)濟(jì)意義，再次說(shuō)明股市投資既不能盲目追從，也不能一味恐懼。

參考文獻(xiàn)：

[1]Ang A，Bekaert G. 2006. Stock return predictability：Is it there？[J].The Review of Financial Studies，20（3）.

[2]Bollerslev T，Todorov V，Xu L. 2015. Tail risk premia and return predictability[J].Journal of Financial Economics，118（1）.

[3]Campbell J Y，Thompson S B. 2007. Predicting excess stock returns out of sample：Can anything beat the historical average？[J].The Review of Financial Studies，21（4）.

[4]Campbell J Y， Shiller R J. 1988. The dividend-price ratio and expectations of future dividends and discount factors[J]. The Review of Financial Studies，1（3）.

[5]Campbell J Y，Yogo M. 2006. Efficient tests of stock return predictability[J].Journal of financial economics，81（1）.

[6]Cavanagh C L，Elliott G，Stock J H. 1995. Inference in models with nearly integrated regressors[J].Econometric theory，11（5）.

[7]Clark T E，West K D. 2007. Approximately normal tests for equal predictive accuracy in nested models[J].Journal of econometrics，138（1）.

[8]Cochrane J H. 2011. Presidential address：Discount rates[J].The Journal of finance，66（4）.

[9]Dangl T，Halling M. 2012. Predictive regressions with time-varying coefficients[J].Journal of Financial Economics，106（1）.

[10]Elliott G， Stock J H. 1994. Inference in time series regression when the order of integration of a regressor is unknown[J].Econometric theory，10（3-4）.

[11]Ferson W E，Sarkissian S，Simin T. 2008. Asset pricing models with conditional betas and alphas：The effects of data snooping and spurious regression[J].Journal of Financial and Quantitative Analysis，43（2）.

[12]Henkel S J，Martin J S，Nardari F. 2011.? Time-varying short-horizon predictability[J].Journal of Financial Economics，99（3）.

[13]Kostakis A， Magdalinos T，Stamatogiannis M P. 2015. Robust Econometric Inference for Stock Return Predictability[J].Review of Financial Studies，28（5）.

[14]Lamont O. 1998. Earnings and expected returns[J].The journal of Finance，53（5）.

[15]Narayan P K，Bannigidadmath D. 2015. Are Indian stock returns predictable？[J]. Journal of Banking & Finance，58.

[16]Neely C J，Rapach D E， Tu J， et al.? 2014. Forecasting the equity risk premium： the role of technical indicators[J].Management Science，60（7）.

[17]Phillips PCB. 2014. On confidence intervals for autoregressive roots and predictive regression[J].Econometrica，82（3）.

[18]Rapach D E，Strauss J K， Zhou G. 2013. International stock return predictability： what is the role of the United States？[J].The Journal of Finance，68（4）.

[19]Stambaugh R F. 1999. Predictive regressions[J].Journal of Financial Economics，54（3）.

[20]Welch I， Goyal A. 2007. A comprehensive look at the empirical performance of equity premium prediction[J]. The Review of Financial Studies，21（4）.

[21]姜富偉，涂俊，David E.Rapach，Jack K.Strauss，周?chē)?guó)富.中國(guó)股票市場(chǎng)可預(yù)測(cè)性的實(shí)證研究[J].金融研究， 2011，（9）.

[22]李志冰，楊光藝，馮永昌，景亮.Fama-French五因子模型在中國(guó)股票市場(chǎng)的實(shí)證檢驗(yàn)[J].金融研究， 2017，（6）.