技术指标能增强股市风险溢价的预测力吗？——来自韩国市场的证据

《International Journal of Financial Studies》：Do Technical Indicators Enhance the Predictability of the Equity Market Risk Premium? Evidence from Korea Hyunah Lee and Sungju Chun

在股票市场预测领域，技术分析指标与宏观经济变量孰优孰劣一直是学术和实务界探讨的热点。针对韩国股市的特点，研究人员通过融合主成分分析方法，系统地评估了技术指标在预测韩国股市风险溢价（ERP）方面的能力。研究表明，虽然单独使用技术指标在月度频率上预测力较弱，但将其与宏观经济变量结合，可显著提升预测模型的样本内拟合优度和样本外预测精度，特别是在金融危机等压力时期。这一发现为理解新兴市场（尤其是韩国）的收益可预测性提供了新的国际证据，具有重要的理论和实践价值。

　　

在金融市场波澜壮阔的舞台上，预测未来的股票收益，即股票风险溢价（Equity Risk Premium, ERP），一直是投资者和学者们孜孜以求的“圣杯”。传统上，预测方法主要分为两大流派：一派是“技术分析”，它像是市场的“行为艺术家”，通过观察过去的价格走势、交易量等市场自身数据，来勾勒未来的涨跌图景；另一派则是“基本面分析”，更像是一位“经济诊断师”，依靠估值比率、利率、通胀等宏观经济变量来洞察市场的内在价值。长久以来，学术界似乎更青睐“诊断师”，对“行为艺术家”的“画作”将信将疑。然而，近几十年的研究逐渐发现，一些简单的技术交易规则，如移动平均线、动量等，似乎真的能提供关于未来收益的有用信息。更有趣的是，当我们将“艺术家”的直觉与“诊断师”的理性结合时，预测的准确性在美国和中国等市场都得到了提升。

那么，在具有独特市场结构的韩国股市，这个故事又会如何上演呢？韩国市场是一个有趣的“实验室”：个人投资者（往往表现出逆势交易行为）占据主导地位，而外国投资者（倾向于动量交易）也有相当大的影响力。这种复杂的投资者结构，是否会使得技术信号的作用与美国、中国市场不同？技术指标在韩国是有效的预测工具吗？它们能否与宏观经济变量“强强联合”，进一步提升预测能力？这些问题，正是由Hyunah Lee和Sungju Chun撰写，并发表在《International Journal of Financial Studies》上的这篇论文试图解答的核心。

为了回答上述问题，研究人员开展了一项系统性的实证研究。他们首先构建了用于预测的核心变量：被预测变量是韩国综合股价指数（KOSPI）的月度对数股票风险溢价（ERP）。预测变量则包括两大类：一是12个宏观经济变量，如股息价格比（DP）、期限利差（TMS）、通货膨胀（INFL）等；二是遵循Neely等人（2014）方法构建的14个技术指标，主要分为移动平均规则（如MA(1,5)）、动量指标（如MOM(5)）和基于交易量的指标（如VOL(1,5)）。研究采用了主成分分析（Principal Component Analysis, PCA） 这一关键技术，来从大量的预测变量中提取少数几个最具代表性的“公共因子”，分别代表宏观经济信息（PC-ECON模型）、技术信息（PC-TECH模型）以及两者结合的信息（PC-ALL模型）。研究使用2000年10月至2023年12月的月度数据，通过样本内回归分析来评估各个预测变量或因子组合的统计显著性和解释力（R²），并通过样本外预测分析来检验模型的真实预测性能，使用历史平均模型作为比较基准。为了确保结果的稳健性，研究还采用了异方差稳健标准误和Wild Bootstrap（自助法） 来处理预测变量的持续性和内生性问题，并进行了分样本分析（如全球金融危机期间、COVID-19期间等）以考察预测能力的时变特征。

样本内分析结果

研究发现，在韩国市场，单独来看，技术指标的预测能力相对有限。在全部14个技术指标中，仅有4个在常规显著性水平上显示出预测能力，且其有效的长期滞后期（5-6个月）比美国市场中常见的滞后期（9-12个月）更短。这符合韩国市场由个人投资者主导、价格动态调整更快的特征。相比之下，部分宏观经济变量（如账面市值比BM、期限利差TMS）则表现出更强的预测力。然而，研究的核心发现在于：将技术指标的信息与宏观经济变量相结合，能够显著提升预测能力。 基于全部26个变量提取主成分构建的PC-ALL模型，其样本内R²达到了4.46%，远高于仅基于宏观经济变量（PC-ECON模型，R²=2.99%）或仅基于技术指标（PC-TECH模型，R²=0.53%）的模型。这表明，尽管单个技术指标威力不强，但它们作为一个整体，能够提供宏观经济变量所未能捕捉的补充信息。

样本外预测结果

样本外的检验进一步证实了上述结论的实践价值。在2008年11月至2023年12月的样本外预测期内，PC-ALL模型的预测表现最佳。其样本外R²（R_OOS²）为正值，意味着它的预测误差均方（MSFE）低于简单使用历史平均值作为预测的基准模型。更重要的是，PC-ALL模型的预测精度显著优于仅使用宏观经济信息或技术信息的模型。这证明，在真实的、向前看的预测情境下，整合两类信息能够带来具有经济意义的预测精度提升。

预测能力的时变性与稳健性

研究还发现，技术指标的贡献具有“状态依赖性”。在金融市场压力时期，如全球金融危机（GFC）期间，技术指标变得尤其有价值。此时，PC-ALL模型的预测能力相对于PC-ECON模型有大幅提升。这表明在市场动荡、不确定性高的时期，由价格和交易量直接衍生的技术信号可能包含了重要的、未被宏观基本面完全反映的市场情绪和流动性信息。而在市场相对平稳的时期，技术指标的增量贡献则较小。此外，研究通过控制不同市场 regime（如GFC、后危机“BOXPI”时期、COVID-19时期）的结构性变化，以及对部分具有高度持续性的宏观经济变量进行一阶差分处理等稳健性检验，均证实了“技术指标与宏观变量结合能提升预测力”这一核心结论的可靠性。

研究结论与重要意义

本研究的结论清晰而有力：在韩国股票市场，技术指标本身在月度频率上的直接预测能力较弱，但它们与宏观经济变量包含互补信息。将两者信息相结合，可以实质性地增强对韩国股市风险溢价的预测能力，这一结论在样本内和样本外检验中均成立，且在市场压力时期尤为显著。

这项研究的意义是多方面的。首先，在理论层面，它补充了关于股票收益可预测性的国际证据，揭示了市场微观结构（如投资者构成）如何影响技术分析的有效性。韩国市场技术指标更短的预测周期，与其个人投资者主导、逆势交易者众多的特征相吻合，为行为金融理论提供了新的佐证。其次，在方法论层面，研究展示了主成分分析在整合高维预测信息、构建简约预测模型方面的有效性，为处理多重共线性和“维数灾难”问题提供了范例。最后，在实践层面，研究为韩国的资产管理者、量化投资者和决策者提供了直接参考。它表明，在构建韩国股市的预测模型时，不应忽视技术指标，尤其是在市场波动加剧的时期。将技术分析作为宏观经济基本面分析的有益补充，而非替代，可能是一种更优的投资策略。

总而言之，Hyunah Lee和Sungju Chun的这项研究，就像一位技艺高超的“调酒师”，将“技术分析”的直觉与“基本面分析”的理性这两种看似不同的“原料”巧妙混合，为预测韩国股市风险溢价这杯“鸡尾酒”调出了更佳的风味。它不仅加深了我们对特定市场运行规律的理解，也为全球范围内关于市场可预测性的持续辩论贡献了来自东亚新兴市场的重要一票。