Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity
Dit onderzoek concludeert dat hoewel niet-lineaire machine learning-modellen economisch betekenisvolle out-of-sample voorspellingswinsten bieden voor Amerikaanse REIT-rendementen op de middellange termijn — met name in de gezondheidszorgsector en gedreven door macro-economische factoren — zij geen statistisch significante geaggregeerde superioriteit bereiken ten opzichte van lineaire benchmarks na correcties voor meervoudig testen, waarbij de voorspellende signalen geconcentreerd zijn in gemeenschappelijke tijdreekscomponenten in plaats van in cross-sectionele selectie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van beleggen gedragen sommige activa zich als aandelen, terwijl andere meer lijken op obligaties of fysieke gebouwen. Real Estate Investment Trusts, bekend als REITs, bevinden zich precies in het midden van deze tweedeling. Het zijn bedrijven die winstgevende eigendommen bezitten zoals winkelcentra, appartementencomplexen en ziekenhuizen, en zij worden op de aandelenmarkt verhandeld zoals elk ander bedrijf. Omdat hun waarde afhangt van zowel de gezondheid van de aandelenmarkt als de fysieke realiteit van de economie — zoals rentestanden, werkgelegenheidsgroei en inflatie — is het voorspellen van hun toekomstige prestaties een complexe puzzel. Decennialang hebben beleggers en economen geprobeerd deze puzzel op te lossen met eenvoudige, lineaire wiskunde, uitgaande van de aanname dat als de economie stijgt, deze aandelen op een voorspelbare manier meestijgen. Maar de economie verloopt zelden in een rechte lijn; ze maakt bochten en draait, en de relatie tussen een recessie, een piek in de rentestanden en de waarde van een pand kan veranderen afhankelijk van de context. Hier komt de moderne computerwetenschap in beeld, die hulpmiddelen biedt die kunnen zoeken naar ingewikkelde, verborgen patronen in data die de traditionele wiskunde mogelijk mist.
Een onderzoeker zette zich scharpe om te testen of deze geavanceerde computertools, bekend als machine learning, daadwerkelijk de toekomstige rendementen van REITs beter konden voorspellen dan de oude, standaardmethoden. De onderzoeker verzamelde een enorme hoeveelheid historische data door 383 verschillende vastgoedbedrijven gedurende meer dan twee decennia te volgen, van het jaar 2000 tot 2023. Deze periode omvatte enkele van de meest dramatische economische verschuivingen in de moderne geschiedenis, waaronder de wereldwijde financiële crisis, een lange periode van zeer lage rentestanden, de plotselinge schok van de pandemie en de snelle inflatie die volgde. De onderzoeker voedde de computermodellen een specifieke set aanwijzingen: huidige rentestanden, werkloosheidscijfers, inflatiedata, hoe snel de economie groeit en hoe de bredere aandelenmarkt presteert. Vervolgens vroeg de onderzoeker de computer om te raden wat er de komende maanden met de rendementen van REITs zou gebeuren. Om te zorgen dat de test eerlijk verliep, trainde de onderzoeker de computer op historische data en vroeg de computer vervolgens om de toekomst te voorspellen zonder dat deze vooraf de antwoorden mocht zien.
De resultaten onthulden een verhaal dat genuanceerder is dan een simpele overwinning voor de nieuwe technologie. Wanneer de onderzoeker de computer vroeg om te voorspellen wat er in de zeer nabije toekomst zou gebeuren — één, twee of drie maanden vooruit — presteerden de machine learning-modellen niet beter dan een eenvoudige gok gebaseerd op het gemiddelde van het verleden. Sterker nog, voor deze korte tijdspannen waren de computermodellen iets slechter dan de basisbenchmarks. Echter, het verhaal veranderde toen de onderzoeker naar een middellange termijn keek, waarbij specifiek werd gevraagd de computer te laten voorspellen wat de cumulatieve rendementen over een periode van zes maanden zouden zijn. Hier begonnen de geavanceerde modellen hun kracht te tonen. De meest verfijnde algoritmen, die werken door het opbouwen van vele kleine beslissingsbomen om complexe patronen te vinden, waren in staat om hun voorspellingsfouten aanzienlijk te verminderen ten opte de traditionele lineaire methoden. Ze legden ongeveer 9,3 procent van de variatie in de rendementen over zes maanden vast, een betekenende verbetering ten opzichte van de standaardbenadering, die eigenlijk iets slechter presteerde dan een eenvoudig historisch gemiddelde.
Ondanks deze verbetering in nauwkeurigheid, was de onderzoeker voorzichtig om geen totale overwinning te verklaren. Wanneer de onderzoeker strikte statistische tests toepaste om te zien of het succes van de computer een echte doorbraak was of slechts een gelukkige toevalstreffer, waren de resultaten minder definitief. De verbeteringen waren, hoewel economisch merkbaar, niet statistisch sterk genoeg om met absolute zekerheid te bewijzen dat de machine learning-modellen superieur waren aan de oudere methoden over de hele linie. De studie suggereert dat de computermodellen niet een magische formule vinden die voor elk enkel pand of elke enkel maand werkt. In plaats daarvan pikken ze een specifiek type signaal op: de brede, gedeelde beweging van de gehele vastgoedmarkt die wordt gedreven door de algemene economie. De modellen zijn goed in het timen van de algemene markt en het aanvoelen wanneer de trend van rentestanden en werkgelegenheid waarschijnlijk zal keren, maar ze zijn niet goed in het selecteren van individuele winnaars en verliezers onder de verschillende bedrijven.
De onderzoeker ontdekte ook dat het nut van deze tools sterk afhangt van het type vastgoed dat wordt geanalyseerd. De machine learning-modellen werkten het best voor zorg-REITs, waarbij de voorspellingen niet alleen accuraat waren, maar ook statistisch significant zelfs na rigoureuze testen. Retailvastgoed vertoonde ook veelbelovende resultaten, terwijl residentieel vastgoed en gediversifieerde vastgoedbedrijven beter werden voorspeld door de eenvoudigere, traditionele methoden. Deze bevinding benadrukt dat de economie verschillende soorten gebouwen op verschillende manieren beïnvloedt, en dat een "one-size-fits-all" computermodel niet elke nuance kan vangen. Bovendien toonde de studie aan dat de computermodellen niet alleen het verleden uit het hoofd leerden; ze leerden verschillende economische factoren, zoals hoe veranderingen in werkloosheid of rentestanden met elkaar interageren, te wegen om een completer beeld van de toekomst te vormen.
Uiteindelijk biedt dit onderzoek een helder, gegrond perspectief op de rol van kunstmatige intelligentie in de financiële wereld. Het demonstreert dat hoewel machine learning waardevolle patronen kan blootleggen in hoe de economie de vastgoedsector beïnvloedt, het geen kristallen bol is. De technologie blinkt uit bij het kijken naar trends op de middellange termijn en specifieke sectoren, maar het vervangt niet de noodzaak voor zorgvuldige statistische controle of het begrip dat de economie een voortdurend veranderend landschap is. De studie concludeert dat de waarde van deze geavanceerde tools reëel maar voorwaardelijk is; ze zijn krachtige instrumenten voor het begrijpen van de algemene richting van de markt, mits ze met de juiste verwachtingen worden gebruikt en worden toegepast op de juiste soorten activa.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.