首頁 › 技術文章

預測組合與機器學習擇時:美國股權溢酬的樣本外與複製證據

2026-10-26 · 技術文章 · 系列:VOO/QQQ 擇時方法實證排名(第 4/5 篇) · 非投資建議,數字以文內標註的來源與日期為準 · English
目錄11 節
  1. Q1 懷疑基準:Goyal Welch 2008 與 Goyal, Welch Zafirov 2024
  2. Q2 Campbell Thompson 2008:經濟限制與「小 R² 大效用」
  3. Q3 預測組合與降維:RSZ 2010、NRTZ 2014、Kelly–Pruitt、DLRZ 2022
  4. Q4 機器學習擇時:GKX 2020、KMZ 2024 及其批評、Avramov 等
  5. Q5 資料探勘、多重檢定與統計陷阱;局部可預測性
  6. Q6 獨立複製:哪些方法存活?
  7. Q7 可預測性何時出現:衰退集中與失效期間
  8. Q8 交易成本、槓桿限制與 buy-and-hold 基準
  9. Q9 轉折點 vs 平均報酬;Nasdaq/QQQ 應用;散戶可行性
  10. 延伸閱讀
  11. 常見問題

本筆記整理「美股股權溢酬(S&P 500/CRSP VW)是否可預測」的懷疑基準(Goyal–Welch 系列),以及預測組合(forecast combination)、PCA/PLS、機器學習擇時方法的樣本外(OOS)數字、出處表號與最強批評。凡標「證據不足/未能核實」者,表示本次未能從原文取得逐字數字,報告撰寫者不得自行補數。

本站說明:這是「VOO/QQQ 擇時方法實證排名」系列五篇之一(本篇:預測組合與機器學習)。本文是站長研究筆記的全文照登,內容、數字、表格、引用與「查無/未能核實」段落都照原文刊出、未刪減、未改寫,只拿掉原稿開頭的目錄區塊;原始檔為 research_notes/VOO QQQ 擇時方法實證排名/combination_ml_replication.md,本篇原文未標研究日期,同系列其他筆記標示的研究日期為 2026-10-26。整個系列的預設先驗都是「擇時無效」(Goyal & Welch 2008;Goyal, Welch & Zafirov 2024)。證據等級照原文定義:「已核原文」=研究時直接從論文 PDF 文字擷取;「次級來源」=摘要頁或他人複製論文轉述;「未能核實」=僅憑文獻常識,未取得原文。本文是研究紀錄,不是投資建議。

證據等級說明:「已核原文」=本次直接從論文 PDF 文字擷取;「次級來源」=摘要頁或他人複製論文轉述;「未能核實」=僅憑文獻常識,未取得原文。

Q1 懷疑基準:Goyal & Welch 2008 與 Goyal, Welch & Zafirov 2024

Takeaway

GW 2008 的結論是:截至 2005 年,大多數變數樣本內就不穩,樣本外普遍輸給歷史平均,也無法幫投資人擇時。GWZ 2024 把資料延伸到 2021 年底,46 個變數裡只有 11 個「不宜直接排除」。184 個投資策略中,只有 3 個(accrul、gpce、gip,皆為年度變數)在統計上勝過「永遠全押股票」,而且 t 值只有 1.3–1.5,屬於弱勢顯著。

Cited Findings

GW 2008(RFS 21(4):1455–1508,已核原文)

  • 摘要結論:這些模型「在 IS 與 OOS 都表現不佳已 30 年」、模型不穩定,且「不會幫助只用當時可得資訊的投資人獲利擇時」— Welch & Goyal 2008, RFS, doi:10.1093/rfs/hhm014
  • 許多變數早期的顯著性「完全來自 1973–1975 石油危機那幾年」;OOS 失敗集中在樣本後段,而不是前段。這表示問題出在模型不穩定,不是檢定力不足 — GW 2008
  • Table 1(年度,OLS):顯著 IS 的有 b/m、i/k、ntis、eqis、kitchen sink。OOS R²(預測自樣本起 20 年後開始):eqis +2.04%**(ΔRMSE +0.30),是唯一 OOS 顯著為正者;b/m −1.72%;i/k −1.77%;ntis −5.07%;kitchen sink −139.03%;model selection −22.50%。若預測從 1965 年開始:eqis −1.00%、b/m −12.71%、ntis −6.79%。不顯著 IS 的變數 OOS R² 全部為負,例如 d/p −2.06%、d/y −1.93%、e/p −1.78%、tbl −3.37%、lty −7.72%、svar −27.14% — GW 2008 Table 1
  • 文中指出 eqis 之所以成為唯一 OOS 顯著的變數,是因為它在石油危機期間表現優異;i/k「OOS 的好表現發生在石油危機期間」— GW 2008
  • Table 2(5 年報酬):i/k IS R² 33.99%*、OOS R² 12.99%。原文說 i/k 的表現「由其預測 2000 年崩盤的能力驅動」— GW 2008 Table 2(屬重疊長期報酬,參見 Q5 的 Boudoukh 等批評)
  • Table 3(月度,Campbell–Thompson 程序,1927/12–2004/12):採 CT 截斷(預測值不得為負)與符號限制後,「IS 與 OOS 都正且顯著的只剩 csp、eqis、d/p、tbl,tms 勉強算」。CEV 以 γ=3、權重上限 150% 計算,基準 CEV 為:歷史平均擇時者 82bp、市場 79bp、無風險 40bp(月)。eqis 的 OOS R²(截斷後)+0.30%、tbl +0.25%、tms +0.21%*。同一表中 IS 顯著卻在截斷後仍為負 OOS R² 的有 cay3、ntis、e10/p、b/m、e/p、d/y、dfy — GW 2008 Table 3。表中 CEV 欄位的單位(%/月或其他)本次未能逐欄核實。

GWZ 2024(RFS 37(11):3490–3557,已核原文,Open Access)

  • 範圍:26 篇 2008 年後頂刊論文的 29 個變數,加上 GW 原本的 17 個,共 46 個。樣本延伸到 2021 年 12 月,通常比原論文多約 10 年資料 — Goyal, Welch & Zafirov 2024, doi:10.1093/rfs/hhae044
  • 資料延伸到 2021 年後,13 個新變數失去 IS 預測力。29 個變數中只有 9 個(31%)t 值隨資料增加而改善,69% 惡化。模擬(IA.I)顯示,這種表現「更符合這 29 個變數一開始就是 spurious 的情境」— GWZ 2024 p.3491–3492
  • 原始 t 門檻越高,延伸後改善的比例越高:t≥2.0 有 36%,2.5 有 39%,3.0 有 40%,3.5 有 43%,4.0 時 gip 與 gpce 改善、vrp 未改善。這對 Harvey–Liu–Zhu 的高門檻建議提供「modest」支持 — GWZ 2024 p.3492
  • 「Homologous」規格(統一以非重疊的 S&P 500 log 超額報酬、原生頻率預測)下又有 3 個失去 IS 顯著,剩 10 個。其中 4 個同時有好的 OOSCT(強制預測值不為負的 OOS R²):tchi(Neely 等 2014 的 14 個技術指標)、shtint(Rapach, Ringgenberg & Zhou 2016 的空單比率)、accrul(Hirshleifer, Hou & Teoh 2009)、gpce(Møller & Rangvid 2015 第四季消費成長)。GW 前的舊變數另有 3 個表現好:tby(Campbell 1987)、i/k(Cochrane 1991)、eqis(Baker & Wurgler 2000)。若只向前延伸、不向後延伸,ogap、tail(Kelly & Jiang 2014)、avgcor(Pollet & Wilson 2010)也表現較佳 — GWZ 2024 p.3492
  • 最終名單(結論節原文):「依到 2021 年的資料,46 個變數中我們不會直接排除的有 11 個:tchi、shtint、tby、lty、tms;pce、crdstd;i/k;accrul、gpce、eqis」。post-WWII 最強者為 gpce;「其餘 35 個變數的推論令人失望(underwhelming)」— GWZ 2024 p.3549
  • 頻率區分(結論節):
    • 月度:20 個新月度變數在 homologous IS 規格下「全部」失去顯著,只有 tchi 與 avgcor 保有 IS-OOSCT 聯合顯著。最佳月度預測變數是 tby 與 lty,但兩者在四種簡單策略中都無法勝過全押股票,tby 甚至四種策略全部絕對虧損。
    • 季度:pce、i/k 的 IS 好;i/k 與 crdstd 的 OOSCT 好。i/k 在 1975–1998 年預測差,1998 年後持續好,但 IS 係數從前半段 −3.74 降到後半段 −1.66,且四種擇時策略都輸全押股票(兩種絕對虧損)。
    • 年度:accrul、cfacc、gpce、eqis 的 IS 與 OOSCT 都好。accrul 與 gpce 的「股票傾斜 Z-scaled」策略勝過全押股票,t≈1.3、1.5,Sharpe 約 0.2。
    • 出處:GWZ 2024 p.3547–3549
  • Table 3 數字(Homologous IS 與 OOSCT,月度 R² 以 % 計;以 pdftotext raw 模式擷取,欄位對齊請以原 PDF 為準):
    • 月度:tchi IS R² 0.51*/OOSCT 0.48**;shtint 0.67*/1.26**;tby 0.29*/0.37;lty 0.19/0.25;tms 0.11/0.02;d/p 0.10/−0.06;e/p 0.26/−0.64;infl 0.15/0.10*;Martin rsvix 0.12/−3.27;Kelly–Pruitt fbm 3.16/−1.50。
    • 季度:crdstd 4.56/4.54**。
    • 年度(曆年):accrul 8.25**/4.40*;cfacc 11.19/16.35;gpce 12.48/5.43;eqis 8.17**/1.49*;gip 0.02/−2.05。
    • 年度(6 個月發布延遲):accrul 10.76/6.31;gpce 7.50*/8.33**;eqis 4.05/−6.99。
    • 出處:GWZ 2024 Table 3
  • accrul 是「one-trick pony」:其表現「完全來自一個事件」,也就是 2000 年前後的網路泡沫與崩盤;2002 年後幾乎不動。gpce 自 1970 年代起只失手一次,漏掉了 2008 年大衰退的空頭 — GWZ 2024 p.3493, p.3549
  • 組合預測(smart consensus,以 t 值加權):OOSCT 表現好,但好表現集中在 1940 年代中到 1970 年代中,「之後大致乏善可陳」;也找不到能勝過全押股票的簡單策略 — GWZ 2024 p.3493
  • 投資策略:四種策略(75/25 股票傾斜或 50/50;$1 固定或 Z 值縮放)共 184 個,只有 3 個勝過全押股票(accrul、gpce、gip,t=1.31、1.54、1.35)。另有 16% 勝出但不顯著,84% 落後全押股票;落後者約三分之一連絕對報酬都虧損 — GWZ 2024 p.3493
  • CEV(γ=5,CT 建議):沒有任何變數能在統計上可靠地勝過全押股票或 20% 股票策略。crdstd 與 shtint 在經濟意義上表現好,但作者自評「46 個變數裡出現這種結果並不意外」— GWZ 2024 p.3493
  • 2000 年後的新樣本包含三次衰退(2001、2008、2020)與兩次大空頭(2000–2002、2008),作者把它視為檢驗新變數的「fascinating new sample」。VIX 類預測變數「在最近 10 年表現極好」— GWZ 2024 p.3491, p.3493
  • 工作論文版(SSRN 3929119,2021)較悲觀:「most variables have already lost their empirical support」,整體「disappointing」— Welch 個人頁 card-eqpredict;SSRN 3929119
  • 資料來源:GW 資料在 Amit Goyal 網站(原 http://www.hec.unil.ch/agoyal/),Löffler 2021 提到 2019 版檔案與舊版有差異 — Löffler 2021

Inferences

  • 對月頻率 S&P 500 擇時而言,GWZ 2024 的存活者(tchi、shtint、tby、lty)OOS R² 都只有 0.25%–1.26%,而且沒有一個能讓簡單策略勝過全押股票。「OOS R² 顯著」與「策略打敗 buy-and-hold」是兩回事,這點在 GWZ 是明確結論。
  • 年度變數(gpce、accrul)較強,但年度頻率的有效樣本數很少,accrul 的表現實質上只靠一次事件。
  • NRTZ 的技術指標(tchi)是少數在 GWZ 延伸樣本中仍算存活的「新」變數,這點與 Baetje & Menkhoff 的結論一致(見 Q6)。

Gaps

  • GWZ Table 3 的 i/k、pce 列在擷取時缺漏或錯位,數字未能核實。
  • GWZ Table 5 的各變數 CEV 數字未逐一擷取。
  • GWZ 的 Internet Appendix(較長期間預測、IA.VI)未讀。
  • GW 2008 Table 3 的 CEV 欄位單位未能確認。

Q2 Campbell & Thompson 2008:經濟限制與「小 R² 大效用」

Takeaway

CT 2008 主張:施加「預測溢酬不得為負」與「係數符號須符合理論」兩項限制後,多數變數的月度 OOS R² 會轉為小幅正值。由於月報酬雜訊極大,即使 R² 只有約 0.5%,對均值–變異投資人仍有可觀的效用價值。這套 OOS R² 定義與 CER/Sharpe 換算公式成為後續文獻的標準工具。

Cited Findings

  • OOS R² 定義:R²_OS = 1 − Σ(r_t − r̂_t)² / Σ(r_t − r̄_t)²,其中 r̄ 為當時可得的歷史平均(prevailing mean)。GWZ 沿用並稱其截斷版為「OOSCT R²」— GWZ 2024 p.3496 附近
  • CT 公式(經 GKX 2020 轉引):利用預測資訊的主動投資人 Sharpe 為 SR* = √[(SR² + R²)/(1 − R²)],SR 為 buy-and-hold Sharpe。GKX 以此推算:S&P 500 在 1987–2016 年的 buy-and-hold Sharpe 0.51,用 NN3 的 R² 可提升到 0.71 — Gu, Kelly & Xiu 2020 NBER WP 版;原典 Campbell & Thompson 2008, RFS 21(4):1509–1531, doi:10.1093/rfs/hhm055
  • GW 2008 回應 CT:截斷是「very effective constraint」,例如 d/y 在 54.2% 的月份被截斷為 0、csp 為 44.7%。但截斷後 IS 顯著的 11 個模型中仍有 7 個 OOS R² 為負 — GW 2008 Table 3 與內文
  • GWZ 2024 提到 CT 主張在模型穩定且已知時應偏重全樣本 IS 檢定;GWZ 不認同這個前提,並引用 Martin & Nagel 2022 支持 OOS 檢驗 — GWZ 2024 p.3492–3493
  • CT 原文各變數的限制後月度 OOS R² 數字、以及「月 R² 0.5% 對應的年化效用」等確切數值:證據不足/未能核實(本次未取得 CT 原文 PDF)。

Inferences

  • 「小 R² 大效用」的計算前提是:投資人能精準按預測調整權重、無交易成本、可用槓桿,而且基準是「用歷史平均調權重的投資人」,不是 buy-and-hold。Löffler 2021 顯示換成 buy-and-hold 基準後,效用優勢大多消失(見 Q8)。

Gaps

  • CT 2008 Table 2/3 的逐變數數字未能核實。

Q3 預測組合與降維:RSZ 2010、NRTZ 2014、Kelly–Pruitt、DLRZ 2022

Takeaway

組合預測(RSZ 2010)與「宏觀 + 技術指標 PCA」(NRTZ 2014)在原論文中都有顯著的正 OOS R² 與每年 2–5% 的 CER 增益,但增益高度集中在 NBER 衰退期。基準換成 buy-and-hold 後,RSZ 的經濟增益幾乎歸零(Löffler 2021)。GWZ 2024 中以 t 值加權的組合預測,在 1970 年代中期後也表現平平。

Cited Findings

Rapach, Strauss & Zhou 2010(RFS 23(2):821–862)

  • 設計:季度 S&P 500 超額報酬,樣本 1947:1–2005:4,OOS 從 1965:1 開始。對 15 個 GW 預測變數各自做單變量回歸,再組合(平均、中位數、截尾平均、DMSPE)— Löffler 2021 對 RSZ 的描述;RSZ 2010, doi:10.1093/rfs/hhp063
  • 主張:模型不確定性與不穩定性削弱單一模型;組合能降低預測波動,並與實體經濟連結,因此相對歷史平均有「consistent」的 OOS 增益 — RSZ 2010 摘要(RePEc)
  • 最準的是 15 個預測的算術平均;效用增益最大的是 DMSPE(θ=0.9)組合 — Löffler 2021
  • Löffler 複製值(相對歷史平均基準,γ=3,權重介於約 0.70–1.50):效用增益為 mean 組合 2.39%、DMSPE 2.64%(年化);Sharpe 差 0.090、0.102。換成 buy-and-hold 基準後,效用增益降為 −0.14% 與 0.11%,Sharpe 差 0.002 與 0.014,多數 p 值 > 85% — Löffler 2021, Critical Finance Review
  • 常被引用的「mean combination 季度 R²_OS = 3.58%」:證據不足/未能核實(本次未取得 RSZ 原文表格)。
  • 後續狀況:NRTZ 2014 用同樣方法對 14 個宏觀變數做 mean 組合,月度 OOS R² 為 1.16%(1966:01–2011:12)— NRTZ WP 2010-008 腳註 29。Liège 大學一篇碩士論文以 2010 年後資料重驗,發現與實體經濟的連結比 2010 年前弱(學生論文,證據等級低)— matheo.uliege.be

Neely, Rapach, Tu & Zhou 2014(MS 60(7):1772–1791;以下數字取自 St. Louis Fed WP 2010-008 修訂版,已核原文,正式刊出版可能有細微差異)

  • 資料:14 個宏觀變數(GW)與 14 個技術指標(MA(1,9)…MA(3,12)、動量 MOM(9)/MOM(12)、OBV 量能均線),樣本 1950:12–2011:12,OOS 期 1966:01–2011:12(552 個月),月頻、預測 S&P 500 log 超額報酬 — NRTZ WP
  • Table 4(OOS R²,月):
    • PC-ECON 為負,但 Clark–West(MSFE-adjusted)在 1% 水準顯著。
    • PC-TECH 0.65%,顯著。
    • PC-ALL 1.79%(MSFE-adj 3.28,1% 顯著);擴張期 −2.80%、衰退期 11.24%。
    • 技術指標的簡單平均組合 0.53%(MSFE-adj 1.38,10% 顯著);宏觀 mean 組合 1.16%;sum-of-the-parts 1.32%。
    • 經 Clark–McCracken(2012)reality check 控制 data mining 後,PC-ALL 仍顯著。
    • 出處:NRTZ WP Table 4 與 p.21–23
  • Table 5(資產配置):均值–變異投資人 γ=5,權重限制在 [0, 1.5],以 5 年滾動窗估變異數;歷史平均基準的 CER 為 3.54%,月 turnover 2.09%。
    • PC-ALL:CER 增益 4.94%(擴張期 0.70%、衰退期 26.21%);月 Sharpe 0.16(約年化 0.55);相對 turnover 7.51 倍;扣 50bp 單邊成本後 CER 增益 4.12%。
    • PC-ECON:2.24%(衰退期 12.69%、擴張期 0.09%),月 Sharpe 0.10,扣成本後 1.51%。
    • PC-TECH:2.49%(衰退期 16.37%、擴張期 −0.29%),月 Sharpe 0.10,扣成本後 > 2%。
    • 個別技術指標 CER 增益最高 3.17%,扣成本後最高 2.82%,全部為正。宏觀變數中 NTIS、LTR、DFR、INFL 因高 turnover,扣成本後轉負。
    • 出處:NRTZ WP Table 5 與 p.24–26;正式刊出 doi:10.1287/mnsc.2013.1838
  • 機制:技術指標較能捕捉景氣高峰附近溢酬「下降」,宏觀變數較能捕捉谷底附近溢酬「上升」— NRTZ(SMU 摘要頁)
  • Buncic(St. Gallen WP)在 NRTZ 基礎上改良,OOS R² 最高 1.75%,CER 增益最多比 NRTZ 的 ALL factor 再高 3.35%(相對值)— Buncic, St. Gallen EWP 1522(只看過摘要,未讀全文)

Kelly & Pruitt 2013 JF/2015 JoE(三段式回歸過濾/PLS)

Dong, Li, Rapach & Zhou 2022 JF「Anomalies and the Expected Market Return」

  • 以約 100 個橫斷面異常報酬組合預測市場報酬(組合/收縮方法)。確切 OOS R²、CER 與表號:證據不足/未能核實(本次未取得原文)— DLRZ 2022, JF 77(1):639–681, doi:10.1111/jofi.13099
  • 未見獨立複製;GWZ 2024 未收錄此變數。

Rapach & Zhou 綜述

  • Rapach & Zhou 2013 Handbook of Economic Forecasting Vol.2A Ch.6「Forecasting Stock Returns」,以及 Rapach & Zhou 2022 Oxford Research Encyclopedia:本次未取得全文,內容證據不足/未能核實 — Handbook 章節 doi:10.1016/B978-0-444-53683-9.00006-2

Inferences

  • PC-ALL 的 4.94% CER 增益中,擴張期只有 0.70%。換算下來,絕大部分價值來自少數衰退月份,等於一次「避開空頭」的押注。NBER 衰退日期是事後公告的,但策略本身只用即時資料,所以不構成前視偏誤;問題在於衰退樣本少、統計上脆弱。
  • RSZ 與 NRTZ 的 CER 增益都以「用歷史平均調權重的投資人」為基準,該基準本身的 CER 只有 3.54%,明顯低於同期全押股票,因此增益被放大。

Gaps

  • RSZ 2010 原文 Table 1/Table 3 的確切 R²_OS 與 CER 未能核實。
  • NRTZ 正式刊出版與 WP 版數字是否一致未能核實。
  • DLRZ 2022 的數字未能核實。

Q4 機器學習擇時:GKX 2020、KMZ 2024 及其批評、Avramov 等

Takeaway

GKX 2020 的「由下而上」神經網路對 S&P 500 的月 OOS R² 約 1.1–1.8%,CT 擇時策略的 Sharpe 從 0.51 提高到 0.77(1987–2016)。KMZ 2024 宣稱高複雜度 RFF 模型即使 OOS R² 為負,擇時 Sharpe 也能提升約 0.47。Nagel 2025 證明 KMZ 的短窗策略本質上是「波動率調整的動量策略」,模型並沒有從資料學到東西。Avramov 等 2023 顯示 ML 選股利潤在經濟限制下大幅縮水(橫斷面證據)。

Cited Findings

Gu, Kelly & Xiu 2020(RFS 33(5):2223–2273;以下取自 NBER WP 25398,已核原文)

  • 資料:CRSP 個股 1957/03–2016/12(約 30,000 檔),OOS 測試 30 年(1987–2016)。S&P 500 以個股預測由下而上加總(自建 S&P 500 與實際指數相關係數 > 0.99)— GKX NBER WP
  • Table 5(S&P 500 月度 OOS R²):OLS-3+H −0.22%;正則化線性方法「無法勝過常數預測」;GLM 0.71%;NN1–NN5 約 1.08 / 1.13 / 1.80 / 1.63 / 1.17%(NN3 最佳)— GKX Table 5 與 p.39–40(表格擷取有錯位,NN 系列以內文「0.71% GLM」「1.80% NN3」為準)
  • Table 6(CT 擇時 Sharpe 增益,最大槓桿 50%、禁止放空):NN3 擇時 S&P 500 的年化 Sharpe 為 0.77,buy-and-hold 為 0.51(+0.26);NN1–NN5 增益約 0.22 / 0.20 / 0.26 / 0.22 / 0.19 — GKX Table 6 與 p.40–41;正式刊出 doi:10.1093/rfs/hhaa009
  • 未報告交易成本、最大回撤或命中率:證據不足(原文未見)。
  • 批評:Avramov, Cheng & Metzker 2023 在橫斷面上指出,ML 訊號的獲利來自難以套利的股票(微型股、無評等或困境公司、高套利限制)與高 turnover。排除這些股票或計入成本後,獲利大幅下降 — Avramov, Cheng & Metzker, MS 69(5), doi:10.1287/mnsc.2022.4449。具體數字本次未能從原文核實;而且這是橫斷面選股結果,不是指數擇時,不能直接套到 S&P 500 擇時。

Kelly, Malamud & Zhou 2024(JF 79(1):459–503,已核原文)

  • 設計:預測 CRSP VW 指數,使用 15 個變數(GW 預測變數加上落後報酬),以 Random Fourier Features 把變數擴到最多 P=12,000 個,搭配滾動訓練窗 T=12/60/120 個月,報酬與預測變數都做波動率標準化。分析樣本從 1930 年開始(1926–2020,前 36 個月用於標準化)— KMZ 2024, doi:10.1111/jofi.13298
  • 主要結果:OOS 擇時 Sharpe(相對 buy-and-hold)提升「約 0.47/年,t 值接近 3.0」,同時「絕大多數模型的 OOS R² 顯著為負」。作者據此主張 R² 不適合評估 ML 的經濟價值 — KMZ 2024 引言
  • Table I:線性模型 z=10³ 時 OOS R² −3.8%,Sharpe 0.46(t=4.4),對市場 IR 0.33(t=3.1)。「Nonlinear」(c=1,000、z=10³)OOS R² 1%/月,Sharpe 0.46,對市場 IR 0.31,對最佳線性模型 IR 0.26(t=2.5)。T=120 時線性模型 Sharpe 0.49,但對市場的 alpha 不顯著 — KMZ 2024 Table I 與 p.495–496
  • T=60/120 時高複雜度模型的 IR 約 0.25,t > 2.0 — KMZ 2024 Fig. 9

Nagel 2025「Seemingly Virtuous Complexity in Return Prediction」(NBER w34104/BFI WP 2025-104,已核原文)

  • 核心:當 P ≫ T 時,RFF 的 ridgeless 預測等於 T 個訓練期報酬的加權平均,權重取決於預測變數向量的「相似度」。短窗下相似度主要反映時間接近程度,因此預測退化為「近期報酬加權平均」,也就是動量。又因相似度隨預測變數波動上升而下降,結果成為波動率調整的動量策略。好表現來自「這種策略剛好在歷史資料上有效」,而不是模型萃取了訊號 — Nagel 2025 摘要;NBER w34104
  • 實證:一個簡單策略(過去 12 個月報酬線性遞減加權,再除以預測變數波動)產生的部位與 RFF 策略高度相似、OOS 績效相當,納入作為因子後「吸收了大部分 RFF 的 abnormal return」。兩者都會在衰退前減碼,原因是預測變數波動上升時策略系統性降風險,不是有預見能力 — Nagel 2025 p.2–3
  • 偽資料檢驗:在真實報酬加入強負自相關的 MA(2) 成分,使報酬呈現反轉。RFF 仍產生同樣的正向動量權重,OOS abnormal return 轉為負值,顯示模型並不會從資料學到動量或反轉 — Nagel 2025
  • 理論校準:在 KMZ 自己的數值設定下,T=12、P 很大時可達到的 Sharpe 只有 0.005(年化 0.017),P=1,200 時年化約 0.06,遠低於 KMZ 的實證值 — Nagel 2025 p.~40
  • 另引 Berk (2023) 對 KMZ Sharpe 報告方式的質疑 — Nagel 2025 p.~6
  • 反駁:AQR/Kelly 方面有「Understanding the Virtue of Complexity」(2025-07),主張這些挑戰對 KMZ 的理論與實證「影響甚小」,並提出 nominal 與 effective complexity 的區分(利益相關方)— AQR working paper
  • 延伸:Federal Reserve FEDS 2025-089(Kılıç)把同一框架用於匯率,跨幣別平均 OOS R² 在整個正則化範圍內都 ≤ 0 — FEDS 2025-089(僅見搜尋摘要)

其他 ML 文獻:Buncic 2024/2025 對 KMZ 的複製、Cartea 等、Chinco, Clark-Joseph & Ye 2019(JF,LASSO 高頻個股)、Rossi 2018(boosted trees 預測市場報酬)、Bianchi, Büchner & Tamoni 2021 RFS(債券超額報酬)、Leippold 等(中國市場):本次未取得原文,數字一律證據不足/未能核實。其中 Chinco 等與 Bianchi 等不是美股指數擇時,與本題只有間接關係。

Inferences

  • GKX 的 S&P 500 結果是由下而上個股預測加總,需要全市場個股特徵資料(94 個特徵 × 數千檔),散戶幾乎不可能重現;而且未計交易成本。
  • KMZ 的「R² 為負但 Sharpe 高」在 Nagel 的解讀下,等於一個可以用幾行規則複製的「波動率調整動量」。對實務而言,這反而意味著不需要 ML,簡單的趨勢加波動率規則就能取得大部分效果;但它的有效性同樣只是歷史經驗,不是模型學習的結果。

Gaps

  • GKX RFS 正式版 Table 號與數字是否與 WP 相同未能核實。
  • Avramov 等的具體數字、Buncic 對 KMZ 的複製結果未能核實。
  • 本次未見任何 ML 方法有獨立於原作者的 S&P 500 擇時 OOS 複製。

Q5 資料探勘、多重檢定與統計陷阱;局部可預測性

Takeaway

預測變數高度持續(Stambaugh 偏誤、spurious regression)、重疊長期報酬、大量變數搜尋(HLZ 門檻)都會高估 IS 顯著性。GWZ 2024 發現原始 t 值越高的變數在延伸樣本中越可能改善,算是對高門檻建議的溫和支持。Farmer–Schmidt–Timmermann 2023 的「pockets of predictability」被後續 JF 複製指出有前視偏誤(使用雙側 kernel),修正後多數結論不成立。

Cited Findings

Inferences

  • 「可預測性只存在於局部時段」這個敘事本身(FST、Timmermann 2008)與 NRTZ/HMN 的「衰退集中」一致。但 FST 的具體證據已被指出有前視偏誤,引用時必須同時註明複製結果。

Gaps

  • Cakici 等複製論文的卷期、DOI 與修正後數字未能核實。
  • PTV 2014、Dangl–Halling 2012 的 OOS R²/CER 數字未能核實。

Q6 獨立複製:哪些方法存活?

Takeaway

技術指標(NRTZ 的 tchi)在兩個獨立再檢驗中都算存活:GWZ 2024 列為 11 個不宜排除的變數之一,Baetje & Menkhoff 認為它在 1950–2013 年相對穩定。傳統宏觀/估值變數多在 1970 年代後失效。RSZ 組合預測與 RRZ 空單指標的經濟增益,在 Löffler 2021 以 buy-and-hold 為基準重測後不顯著。KP 的 PLS 因子在 GWZ 中 OOS 為負。

Cited Findings

  • 存活或失效一覽(GWZ 2024):
    • 存活:tchi、shtint、tby、lty、tms、pce、crdstd、i/k、accrul、gpce、eqis。
    • IS 顯著但 OOS 為負(工作論文版):KP fbm、HJTZ sntm(investor sentiment)、AMP(pce 在某些規格下)。
    • Baker–Wurgler 相關的 BW 因不穩定而失格(工作論文版說法)。
    • 出處:GWZ 2024;Welch 頁面(WP 版)
  • Baetje & Menkhoff(WP 2015-01;正式刊出版本次未能核實,通常引為 2016):技術指標在 1950–2013 年的「相對穩定」是其經濟價值的關鍵,結果隨時間「略有改善」;宏觀變數「只在 1970 年代以前有效,之後基本喪失預測力,即使納入 2008 年危機也一樣」。從 1960 年代中期後任一時點進場,技術指標策略的平均 Sharpe 約 0.6(未計交易成本)。宏觀變數的結構斷點多在 1990 年代,利率類變數則在 1970 年代;技術交易規則的獲利在 1990 年代末後趨弱(文中引用 Park & Irwin 2007)— Baetje & Menkhoff WP
  • Löffler 2021(Critical Finance Review):在大量假想樣本期中,buy-and-hold 有 84.1% 的樣本效用勝過「以歷史平均調權重」的基準,92.2% 的樣本 Sharpe 較高;γ=5 時仍超過四分之三。RRZ 2016(空單指標 SII,OOS 1990:01–2014:12)的複製完全一致:相對歷史平均基準,所有指標都在 5% 水準顯著;相對 buy-and-hold,所有指標都不顯著,p > 20% — Löffler 2021
  • Zhang, Ma & Liao、Lima & Meng 等複製研究:本次未取得,證據不足/未能核實。

Inferences

  • 對散戶最相關的訊息是:唯一在多個獨立檢驗中都撐住的月頻訊號類別是價格趨勢/動量/移動平均類技術指標,加上 Nagel 對 KMZ 的拆解也落在「波動率調整動量」。但 GWZ 的四種簡單策略仍顯示 tchi 無法在統計上勝過全押股票。

Gaps

  • Baetje & Menkhoff 正式刊出的期刊與卷期未能核實。
  • Zhang–Ma–Liao、Lima–Meng 等複製論文未能取得。

Q7 可預測性何時出現:衰退集中與失效期間

Takeaway

OOS 可預測性與經濟價值高度集中在 NBER 衰退期:NRTZ 的 PC-ALL 衰退期 R² 為 11.24%,擴張期為 −2.80%;CER 增益衰退期 26.21%,擴張期 0.70%。GW 2008 發現許多變數的顯著性來自 1973–75 石油危機;GWZ 2024 發現 accrul 的表現只靠 2000–2002;GWZ 的組合預測只在 1940s–1970s 有效。

Cited Findings

  • NRTZ:IS 與 OOS 的可預測性都「substantially higher for recessions」;技術指標的預測力「highly concentrated during recessions」— NRTZ WP Table 2、4、5
  • 技術指標在 10/14 個個別指標上的衰退期 CER 增益 > 10%(年化)— NRTZ WP p.25
  • GW 2008:顯著性常「exclusively」來自石油危機年份;模型「late in the sample」預測差 — GW 2008
  • GWZ:accrul 只靠網路泡沫一役;gpce 漏掉 2008 年;i/k 在 1975–1998 年失效、之後好轉;組合預測在 1970 年代中期後平淡 — GWZ 2024
  • Baetje–Menkhoff:宏觀變數 1970 年代後失效;技術規則 1990 年代末後獲利趨弱 — Baetje & Menkhoff WP
  • Nagel:RFF 與波動率動量策略都在衰退前減碼,原因是波動上升導致降風險,不是預見 — Nagel 2025
  • Henkel, Martin & Nardari 2011 JFE 的具體數字:證據不足/未能核實 — doi:10.1016/j.jfineco.2010.09.008

Inferences

  • 在長擴張期(例如 2010–2019),這些方法預期會落後 buy-and-hold,因為擴張期 R² 為負,而策略常因預測下調而減碼。這與 Löffler 的 buy-and-hold 優勢一致。

Gaps

  • 2012 年後(NRTZ 樣本外)PC-ALL 的真實延伸表現,除 GWZ 對 tchi 的檢驗外,未見獨立數字。

Q8 交易成本、槓桿限制與 buy-and-hold 基準

Takeaway

多數論文的 CER 是「未扣成本」且「相對歷史平均投資人」,權重限制在 [0, 1.5](允許 50% 槓桿、禁止放空)。NRTZ 是少數報告扣成本數字的(50bp 單邊,PC-ALL 仍有 4.12%)。但換成 buy-and-hold 基準,RSZ 的增益歸零(Löffler),GWZ 的簡單策略 84% 落後全押股票。

Cited Findings

  • 權重限制 [0, 1.5]:NRTZ 腳註 31(「precluding short sales and preventing more than 50% leverage」);GKX 的 CT 策略同樣是最大槓桿 50%、禁止放空;GW 2008 Table 3 也是權重上限 150% — NRTZ WP;GKX WP;GW 2008
  • NRTZ 的扣成本 CER 增益:PC-ALL 4.12%、PC-ECON 1.51%、PC-TECH > 2%、個別技術指標最高 2.82%(50bp 單邊成本)— NRTZ WP Table 5
  • Löffler:RSZ 相對 buy-and-hold 的效用增益為 −0.14%/0.11%;RRZ 不顯著(p > 20%)— Löffler 2021
  • GWZ:184 個策略只有 3 個顯著勝過全押股票(t 約 1.3–1.5)— GWZ 2024
  • GWZ 腳註 2:只做「非常微小」的配置調整時或許能勝過全押股票,但這不是經濟上有意義的策略 — GWZ 2024
  • 稅負:所有已讀論文都未處理稅負(證據不足)。
  • 最大回撤與命中率:已讀論文只有 KMZ 提到 maximum loss 與 skewness 改善(原文定性說明)。NRTZ、GKX 未報告最大回撤,證據不足/未能核實。

Inferences

  • 50% 槓桿上限在散戶 ETF 實作中需要融資或槓桿 ETF,會增加成本。若限制為 [0,1](只能在股票與現金間切換),CER 增益應會更低,但本次未見原論文報告 [0,1] 版本的數字。

Gaps

  • NRTZ 與 RSZ 在 [0,1] 權重限制下的表現未見報告。
  • 稅後績效無資料。

Q9 轉折點 vs 平均報酬;Nasdaq/QQQ 應用;散戶可行性

Takeaway

這批文獻幾乎都在預測「條件平均超額報酬」(迴歸式點預測),用 OOS R² 與 CER 評估,而不是預測轉折點。所謂「避開空頭」是平均預測在衰退期下修的副產品。本次沒有找到把這些方法套用到 Nasdaq-100/QQQ 的頂刊 OOS 研究。散戶可取得 GW 資料,但技術指標類方法最容易實作。

Cited Findings

  • 評估指標:GW、GWZ、CT、RSZ、NRTZ、GKX、KMZ 皆以 OOS R²(MSFE)、CER、Sharpe 評估平均報酬預測 — GWZ 2024;NRTZ WP;GKX WP
  • NRTZ 對轉折點的描述是定性的:技術指標偵測景氣高峰附近溢酬下降,宏觀變數偵測谷底附近溢酬上升 — NRTZ
  • KMZ 的高複雜度策略與 Nagel 的波動率動量策略都「在衰退前減碼」— Nagel 2025;KMZ 2024
  • Nasdaq-100/QQQ:已讀論文全部以 S&P 500 或 CRSP VW 為標的。GKX 的 25 個特徵排序組合與因子組合不含 Nasdaq-100 — GKX WP。本次未找到任何以 Nasdaq-100 為標的的組合預測或 ML 擇時 OOS 研究,屬證據不足。
  • 資料可得性:GW 原始資料公開於 Goyal 網站,GWZ 的資料作為 RFS 補充資料公開 — GWZ 2024(Supplementary data 聲明);Löffler 2021 提及資料網址。部分變數有發布延遲,例如 accrul、gpce 等年度變數;GWZ Table 3 Panel D 以 6 個月延遲重測,accrul、gpce 仍表現好,eqis 則轉為 OOSCT −6.99% — GWZ 2024 Table 3

Inferences

  • 散戶可行性排序(推論):
    1. 技術指標(MA、動量)只需要價格與成交量,最容易實作,也是 GWZ 與 Baetje–Menkhoff 中較穩定的類別;
    2. 利率類(tby、lty)資料公開,但在 GWZ 中無法勝過全押股票;
    3. 組合或 PCA(RSZ、NRTZ)需要每月更新 14–28 個變數並遞迴估計,可以做到但相當繁瑣,而且部分 GW 變數有發布延遲與修訂問題;
    4. GKX 由下而上 ML 需要全市場個股特徵資料,散戶實際上不可行;
    5. KMZ 的 RFF 可以重現,但依 Nagel 的分析,可用簡單的波動率調整動量取代。
  • 應用到 QQQ 時,Nasdaq-100 的波動與科技股集中度高於 S&P 500。這些研究的係數、CER 與成本假設不能直接移植;任何 QQQ 擇時結論都需要另做 OOS 檢驗。

Gaps

  • Nasdaq-100 的任何 OOS 擇時證據(本次未找到)。
  • 命中率(方向正確率)在已讀論文中都未報告。

延伸閱讀

本系列其他四篇:

本站相關頁面:

常見問題

機器學習能預測 S&P 500 做擇時嗎?

Gu、Kelly & Xiu(2020)由下而上的神經網路對 S&P 500 的月度 OOS R² 約 1.1–1.8%(NN3 最佳 1.80%),CT 擇時策略的 Sharpe 從 0.51 提高到 0.77(1987–2016)。但原文未報告交易成本、最大回撤或命中率,需要全市場個股特徵資料,散戶幾乎不可能重現;本次也未見任何 ML 方法有獨立於原作者的 S&P 500 擇時 OOS 複製。

「複雜度的美德」(Kelly、Malamud & Zhou 2024)真的能擇時嗎?

KMZ 宣稱高複雜度 RFF 模型即使 OOS R² 為負,擇時 Sharpe 也能提升約 0.47。Nagel(2025)指出,短窗下這個策略本質上是「波動率調整的動量策略」,模型並沒有從資料學到東西;在加入反轉成分的偽資料上,RFF 仍給出同樣的動量權重,OOS abnormal return 轉為負值。AQR/Kelly 方面另有反駁(利益相關方)。

預測組合(forecast combination)能贏過買進持有嗎?

Löffler(2021)複製 Rapach、Strauss & Zhou(2010):相對「以歷史平均調權重」的基準,mean 組合與 DMSPE 的年化效用增益是 2.39% 與 2.64%;但換成 buy-and-hold 基準後,降為 −0.14% 與 0.11%,多數 p 值 > 85%。

Goyal-Welch-Zafirov 2024 之後還有哪些預測變數存活?

GWZ 2024 的結論是 46 個變數中不宜直接排除的有 11 個:tchi、shtint、tby、lty、tms;pce、crdstd;i/k;accrul、gpce、eqis。但 184 個投資策略中只有 3 個(accrul、gpce、gip)在統計上勝過永遠全押股票,t 值只有 1.31、1.54、1.35。

擇時的可預測性集中在什麼時候?

高度集中在 NBER 衰退期。NRTZ 的 PC-ALL 衰退期 OOS R² 為 11.24%、擴張期為 −2.80%;CER 增益衰退期 26.21%、擴張期 0.70%。在長擴張期,這些方法預期會落後 buy-and-hold。

這些方法可以直接用在 QQQ 嗎?

不能直接移植。已讀論文全部以 S&P 500 或 CRSP VW 為標的,本次沒有找到任何以 Nasdaq-100 為標的的組合預測或 ML 擇時 OOS 研究。Nasdaq-100 的波動與科技股集中度高於 S&P 500,任何 QQQ 擇時結論都需要另做 OOS 檢驗。

其他文章

← 技術文章目錄 看今天的市場儀表板 →

目錄