Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity
本研究发现，尽管非线性机器学习模型在美中型周期美国房地产投资信托基金（REITs）回报率方面提供了具有经济意义的样本外预测增益——特别是在医疗保健领域且受宏观经济因素驱动——但在经过多重检验调整后，它们并未实现相对于线性基准的统计显著的整体优越性，且预测信号集中在共同的时间序列成分而非截面选择。
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
在投资领域，一些资产的表现类似于股票，而另一些则更像债券或实体建筑。房地产投资信托基金（简称 REITs）恰好处于这两者之间的分水岭。它们是拥有产生收益的物业（如购物中心、公寓大楼和医院）的公司，并像任何其他公司一样在股票市场上交易。由于其价值取决于股票市场的健康状况以及经济的物理现实（例如利率、就业增长和通货膨胀），预测其未来的表现是一个复杂的谜题。几十年来，投资者和经济学家一直试图使用简单的直线数学来解开这个谜题，假设如果经济上升，这些股票就会以一种可预测的方式上升。但经济很少是一条直线；它会扭曲和转弯，且衰退、利率飙升与物业价值之间的关系会根据具体情况而改变。这正是现代计算机科学介入的地方，它提供了能够寻找传统数学可能忽略的复杂、隐藏数据模式的工具。
一位研究人员着手测试这些被称为机器学习的先进计算机工具，是否真的能比传统的标准方法更好地预测 REITs 的未来回报。他们收集了大量的历史数据，追踪了 383 家不同的房地产公司，时间跨度超过二十年，从 2000 年到 2023 年。这一时期涵盖了现代历史上一些最剧烈的经济变革，包括全球金融危机、长期的极低利率时期、疫情带来的突然冲击，以及随之而来的快速通胀。研究人员向计算机模型输入了一组特定的线索：当前利率、失业人数、通胀数据、经济增长速度以及更广泛的股市表现。然后，他们要求计算机猜测未来几个月内 REITs 回报的情况。为了确保测试的公平性，他们利用过去的数据对计算机进行训练，然后在让它预测未来时，绝不让它提前窥视答案。
结果揭示了一个比“新技术取得简单胜利”更为微妙的故事。当研究人员要求计算机预测极短期内（即提前一、二或三个月）会发生什么时，机器学习模型的表现并不比基于过去平均表现的简单猜测更好。事实上，对于这些短期时间框架，计算机模型的表现甚至略逊于基本基准。然而，当研究人员观察中长期视野，特别是要求计算机预测六个月期间的累计回报时，故事发生了变化。最先进的算法——通过构建许多小的决策树来寻找复杂模式——能够显著降低其预测误差。它们捕捉到了约 9.3% 的六个月回报变化，这与传统的线性方法相比有了显著的改进，而后者实际表现甚至略逊于简单的历史平均水平。
尽管在准确性方面有所提升，但研究人员并未宣布这是一场彻底的胜利。当他们应用严格的统计检验来观察计算机的成功是真正的突破还是仅仅是运气好时，结果并不那么明确。这些改进虽然在经济层面值得注意，但在统计上还不够强有力，不足以证明机器学习模型在所有情况下都优于旧方法。这项研究表明，计算机模型并不是在寻找一个适用于每种物业或每个月的“万能公式”。相反，它们捕捉到的是一种特定类型的信号：由整体经济驱动的整个房地产市场的广泛共同运动。这些模型擅长把握大盘时机，感知利率和就业的趋势何时可能转向，但并不擅长在不同的公司之间挑选出单个的赢家和输家。
研究人员还发现，这些工具的有效性很大程度上取决于所分析的物业类型。机器学习模型在医疗保健 REITs 领域表现最好，即使经过严格测试，其预测不仅准确而且具有统计学意义。零售物业也显示出潜力，而住宅和多元化房地产公司的表现则更容易被简单的传统方法预测。这一发现强调了经济以不同的方式影响着不同类型的建筑，单一的计算机模型无法捕捉到所有的细微差别。此外，研究表明，计算机模型不仅仅是在记忆过去；它们正在学习如何权衡不同的经济因素（例如失业率或利率的变化如何相互作用），从而形成对未来的更完整的图景。
最终，这项研究为人工智能在金融领域的角色提供了一个清晰且务实的视角。它证明了虽然机器学习可以揭示经济如何影响房地产的价值模式，但它并不是一个水晶球。该技术在观察中期趋势和特定行业时表现出色，但它并不能取代对严谨统计审查的需求，也不能取代对“经济是一个不断变化的景观”这一事实的理解。研究结论认为，这些先进工具的价值是真实的，但也是有条件的；只要使用正确的预期并应用于正确的资产类别，它们就是理解市场总体方向的强大工具。
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。