Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
本研究通过分析莫斯科交易所股票数据表明，尽管 CatBoost 提供了最佳的统计预测精度，但 PatchTST 带来了更优的投资组合表现，且没有任何模型选择或机制切换策略能够可靠地克服新兴市场中预测精度与横截面排序能力之间存在的根本性脱节。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
管理大规模资金的投资者面临着一个持续且无声的困境：他们必须猜测哪些股票会上涨，哪些会下跌，但他们永远无法确定自己的猜测方法是否正确。这不仅仅是运气不佳的问题，而是一个根本性的不确定性问题。在某种层面上，投资者担心自己对股票未来回报的估计是错误的；而在更深层面上，他们担心用于进行这种估计的整个数学框架本身可能存在缺陷。在稳定时期，简单的规则往往行之有效，但当经济环境发生变化时——例如通胀飙升、市场剧烈波动或价格崩盘——这些同样的规则可能会失效。问题在于，一种更复杂、更灵活的方法是否能比直观的方法更好地适应这些变化的环境，以及一个在预测数值上具有统计学准确性的方法，是否真的能带来更好的投资结果。
一组研究人员致力于在俄罗斯股市中测试这些问题，这是一个在过去十年中经济状况发生了剧烈变化的场所。他们收集了莫斯科交易所交易的近三百家公司的资料，时间跨度从2016年底到2025年。这一时间段包含了通胀稳步上升的年份、全球疫情带来的冲击，以及地缘政治紧张和货币紧缩的时期。研究人员想要观察公司特征与其未来回报之间的关系，是否会根据市场是平稳还是处于压力状态而发生变化。为此，他们构建了一个受控实验，让八种不同的预测方法相互竞争。这些方法既包括假设因素与回报之间存在稳定关系的简单线性方程，也包括能够检测复杂非线性模式并适应新数据的先进机器学习算法。
研究人员向所有八个模型输入了完全相同的信息：关于公司规模、价值、动量和流动性的数据，并结合了高通胀和价格大幅下跌等市场压力指标。随后，他们要求每个模型预测未来三个月的股票回报。至关重要的是，他们并没有让这些模型进行自由竞争，而是强制要求每个模型使用相同的规则来构建投资组合。他们选择了预测回报率最高的二十五只股票，限制了对任何单一股票的投资金额，并以相同的方式管理风险。这确保了最终结果的任何差异都纯粹源于预测的质量，而非资金分配的方式。
结果揭示了统计准确性与现实价值之间令人惊讶的脱节。一种被称为CatBoost的最先进机器学习模型，在预测回报时产生的平均误差最小。它是预测数值最精确的模型。然而，当研究人员观察这些模型是否能正确排列出表现最好与表现最差的股票时，所有八种方法表现都很差。没有一种方法能比随机选择更一致地识别出表现优异的股票。这一发现表明，即使是最复杂的算法，在面对新兴市场的噪声时也难以找到可靠的信号，尤其是在该市场正经历快速结构性变化的情况下。
更重要的是，研究发现，具有最佳统计准确性的模型并不一定能产生最好的投资组合。另一种基于序列学习架构（称为PatchTST）的模型，其整体预测准确性相对较差。然而，当利用其预测结果构建投资组合时，它提供的风险调整后回报具有竞争力，且在市场低迷期间的损失也较小。这一结果强调了一个关键教训：一个模型不需要在预测每一个数字上都达到完美，才具有投资价值。它只需要足够擅长识别那些表现良好的特定股票，即便它把市场的其他部分预测错了也无妨。
研究人员还测试了是否可以根据当前的市场状况（例如在高通胀期间使用一种模型，在市场崩溃期间使用另一种模型）来切换模型。他们制定了一条规则，根据近期的结果或当前的经济状态自动选择表现最好的模型。虽然这种切换规则在回测中产生了最高的名义回报，但其优势在统计上并不可靠。结果与固定策略的结果非常接近，这种差异很可能仅仅是由偶然因素造成的。此外，由于该规则是在观察数据后制定的，因此不能被视为一种经过验证的未来策略。研究表明，虽然了解市场是否处于压力之下有助于理解何时预测可能不可靠，但这并不能为使用哪种数学工具提供明确且自动的信号。
最终，论文得出结论：在寻找新兴市场股票回报预测的最佳模型时，并不存在单一的“最优”模型。最灵活、最复杂的模型并不一定会胜过简单的模型，而那个在统计竞赛中获胜的模型，也不一定是构建出最盈利投资组合的模型。投资者面临的不确定性是双重的：他们既要应对预测未来本身存在的固有难度，也必须接受他们无法确定哪种预测方法在当下是最合适的。在这种环境下，最稳健的方法或许不是去寻找一台完美的预测机器，而是要意识到所有的模型都带有风险，并且模型的价值不在于其平均准确性，而在于其在压力之下引导明智投资决策的能力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。