Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity
本研究は、非線形機械学習モデルが、米国REITの中期的なリターンに対して、特にヘルスケア・セクターにおいて、かつマクロ経済要因によって駆動される形で、経済的に意味のあるアウトオブサンプル予測上の利点を提供する一方で、多重検定調整後には線形ベンチマークに対して統計的に有意な総体的な優位性を達成しておらず、予測シグナルは横断的な選択ではなく共通の時系列成分に集中していることを明らかにしている。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
投資の世界において、ある資産は株式のように振る舞い、またある資産は債券や物理的な建物のように機能します。不動産投資信託（REIT）は、まさにこの境界線の真ん中に位置しています。これらはショッピングモール、アパート、病院といった収益を生み出す不動産を所有する企業であり、他の一般的な企業と同様に株式市場で取引されます。その価値は、株式市場の健全性と、金利、雇用成長、インフレといった経済の物理的な実態の両方に依存するため、将来のパフォーマンスを予測することは複雑なパズルとなります。数十年にわたり、投資家や経済学者は、経済が上昇すればこれらの銘柄も予測可能な形で上昇するという、単純な直線的な数学を用いて、このパズルを解こうとしてきました。しかし、経済はめったに直線を描くことはありません。それは曲がりくねり、紆余曲折します。そして、景気後退、金利の急騰、および不動産の価値との関係性は、文脈によって変化します。ここで現代のコンピュータサイエンスが登場し、伝統的な数学が見逃してしまうような、データの中に潜む複雑で隠れたパターンを探し出すためのツールを提供します。
ある研究者が、これらの高度なコンピュータツール、いわゆる機械学習が、果たして従来の標準的な手法よりも優れた方法でREITの将来のリターンを予測できるのかを検証することにしました。彼らは膨大な量の歴史的データを収集し、2000年から2023年までの20年以上にわたって、383もの異なる不動産会社を追跡しました。この期間には、世界的な金融危機、長期にわたる超低金利、パンデミックによる突然のショック、そしてその後に続いた急速なインフレなど、現代における最も劇的な経済の変化が含まれています。研究者は、現在の金利、失業率、インフレデータ、経済成長率、そしてより広範な株式市場のパフォーマンスという、特定のヒントをコンピュータモデルに与えました。そして、コンピュータに対し、今後数ヶ月間のREITのリターンがどのようになるかを推測するように命じたのです。テストを公平にするため、彼らは過去のデータを用いてコンピュータを学習させた後、答えを事前に見せることなく、未来を予測させるという手順を踏みました。
結果は、新技術の単純な勝利というよりも、より微細なニュアンスを含んだ物語を明らかにしました。研究者が、ごく近い将来、つまり1ヶ月、2ヶ月、あるいは3ヶ月先のリターンを予測するようコンピュータに求めたとき、機械学習モデルは、過去の平均値に基づく単純な予測よりも優れた結果を示すことはありませんでした。実際、これらの短期間においては、コンピュータモデルは基本的なベンチマークよりもわずかに劣っていました。しかし、研究者が中期的な時間軸、具体的には6ヶ月間の累積リターンの予測をコンピュータに求めたとき、物語は変わりました。高度なアルゴリズム、特に多くの小さな決定木を構築して複雑なパターンを見つけ出す手法を用いるものは、伝統的な線形手法と比較して、予測誤差を大幅に減少させることができました。それらは6ヶ月間のリターンの変動の約9.3パーセントを捉えることができ、これは標準的なアプローチ（実際には単純な過去の平均よりもパフォーマンスが低下した）に対する意味のある改善でした。
この精度の向上にもかかわらず、研究者は完全な勝利を宣言することには慎重でした。コンピュータの成功が真のブレイクスルーなのか、それとも単なる幸運な的中なのかを確認するために厳格な統計テストを適用したところ、結果はそれほど決定的ではありませんでした。改善は見られたものの、経済的には注目に値するレベルであったとしても、機械学習モデルがすべての局面において旧来の手法よりも優れていると絶対的な確信を持って証明できるほど、統計的に強力なものではありませんでした。この研究は、コンピュータモデルが、あらゆる不動産やあらゆる月に対して機能する「魔法の公式」を見つけているのではないことを示唆しています。その代わりに、モデルは特定の種類のシグナル、すなわち、経済全体によって駆動される不動産市場全体の広範で共通した動きを捉えているのです。モデルは、金利や雇用の潮流がいつ変わるのかを察知して、一般的な市場のタイミングを図ることは得意ですが、異なる企業間での個別の勝者と敗者を選別することは得意ではありません。
研究者はまた、これらのツールの有用性は、分析される物件の種類に大きく依存することも発見しました。機械学習モデルはヘルスケアREITにおいて最も効果を発揮し、そこでの予測は厳格なテストを経た後でも正確かつ統計的に有意でした。小売用不動産も有望な結果を示しましたが、住宅用および多様化された不動産会社については、より単純な伝統的手法によってよく予測されました。この発見は、経済が異なる種類の建物に及ぼす影響がそれぞれ異なること、そして、画一的なコンピュータモデルではあらゆるニュ一細部を捉えることはできないことを浮き彫りにしています。さらに、この研究は、コンピュータモデルが単に過去を記憶しているのではなく、失業率や金利の変化が互いにどのように相互作用するかといった異なる経済的要因をどのように重み付けすべきかを学習し、より完全な未来像を形成していることを示しました。
結局のところ、この研究は、金融における人工知能の役割について、明確で地に足の着いた視点を提供しています。それは、機械学習が経済が不動産に与える影響における価値あるパターンを明らかにできる一方で、決して「水晶玉（予言の道具）」ではないことを証明しています。この技術は、中期的なトレンドや特定のセクターを見る際には輝きを放ちますが、厳格な統計的精査や、経済が常に変化する風景であるという理解に取って代わるものではありません。本研究の結論は、これらの高度なツールの価値は実在するものの、条件付きであるということです。それらは、適切な期待値を持ち、適切な種類の資産に適用される限り、市場の一般的な方向性を理解するための強力な計器となるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。