《Journal of Empirical Finance》：On the predictability of ETF returns with technical predictors
编辑推荐：
考虑到交易所交易基金在全球金融市场中日益增长的重要性，研究ETF收益的横截面可预测性对个人投资者、投资组合经理和政策制定者具有重要意义。然而，由于股票ETF的收益历史相对较短，限制了稳健的样本外预测模型的发展。为克服这一数据限制，研究人员探索了具有数十年收益历
考虑到交易所交易基金在全球金融市场中日益增长的重要性，研究ETF收益的横截面可预测性对个人投资者、投资组合经理和政策制定者具有重要意义。然而，由于股票ETF的收益历史相对较短，限制了稳健的样本外预测模型的发展。为克服这一数据限制，研究人员探索了具有数十年收益历史的个股信息是否能用于预测横截面收益差异。研究人员构建了一个在个股技术信号上训练模型并在股票ETF上进行测试的框架。研究结果表明，由股票数据构建的技术指标包含大量用于预测ETF未来超额收益横截面的信息。具体而言，基于股票技术指标训练的模型能够预测ETF的超额收益概率，在本地货币下产生每月0.76%（t = 2.76）的总成本多头-空头收益利差；在根据市场风险因子进行调整后，平均收益为0.62%（t = 2.27）。这种可预测性在效率较低的市场中更为显著，且波动率和动量指标是驱动预测性能的主要因素。此外，通过部分投资组合保留策略可以降低换手率，且对性能造成的损失有限。该研究发表在《Journal of Empirical Finance》上，为横截面收益预测和跨资产信号转移提供了重要证据，表明利用历史股票市场数据改善ETF收益横截面可预测性具有巨大潜力。
研究背景与研究意义
近年来，交易所交易基金在全球金融市场中的重要性不断提升。相比共同基金，ETF的资产管理规模（AUM）增长速度极快，现已覆盖股票、债券、大宗商品等多种资产类别。其中，股票ETF因其高流动性和交易活跃度成为市场的重要组成部分。然而，由于ETF的收益历史数据相较于传统个股较短，这极大地限制了稳健的样本外收益预测模型的开发与构建。
目前相关领域的研究大多局限于单一市场或特定类型的ETF，且在预测变量的选取上存在争议。以往研究通常将预测变量分为基于历史价格和交易模式获取的技术指标，以及基于资金流和市场情绪的非技术指标。尽管已有大量研究尝试使用传统的线性回归到最新的机器学习和深度学习技术来预测ETF收益，但关于技术指标是否优于非技术指标尚无定论。更为关键的是，由于ETF本身历史数据的匮乏，直接利用ETF数据进行模型训练容易导致过拟合或预测效果不佳。因此，探索一种能够克服ETF历史数据较短这一数据限制的新方法显得尤为必要。
针对上述问题，这项研究旨在探讨是否可以跨越资产类别，利用具有较长历史数据的个股信息来预测ETF收益的横截面差异。研究人员的核心假设在于：股票ETF本质上是可交易的多样化股票篮子，其横截面表现与底层股票篮子的横截面差异存在机械关联。如果股票层面的技术信号能够持续存在，且由于ETF价格中股票层面信号的套利是不完全的，那么从个股提取的预测信号就有可能传导至ETF的横截面排名中。为此，研究人员训练机器学习模型来捕捉个股技术信号，并测试其对股票ETF表现的预测能力。发表在《Journal of Empirical Finance》上的该研究，得出了利用股票数据训练的模型能有效预测ETF横截面表现的重要结论，为横截面收益预测和跨资产信号转移文献做出了重要贡献。它不仅提供了一种基于市场效率差异的跨国比较视角，还创新性地解决ETF数据历史短的问题，证明了利用历史股市数据提升ETF收益测量准确性的潜力。
主要关键技术方法
本研究仅利用Datastream作为样本队列来源，提取了1981年至2021年的全球个股数据以及2005年至2024年的ETF数据进行测试。研究采用基于树的随机森林分类模型。为评估每个ETF在每月超越其横截面中位数收益的概率，研究人员不预测收益的绝对数值，而是将问题转化为二分类任务。预测模型使用了Python技术分析库共构建了涵盖动量、趋势、波动率、成交量及其他类的172个日度技术指标，提取每月最后一个交易日的数值以避免前视偏差。为缓解过拟合问题，采用了训练-验证-测试集划分框架，以及前瞻性验证调参。
研究结果
3.1. 收益可预测性
研究发现，在全球股票数据上训练的模型对ETF收益具备显著的预测能力。该模型预测的多空组合在本地货币下产生了每月0.76%（t = 2.76）的平均未计成本收益利差。在针对CAPM、Fama-French 3因子及Carhart 4因子模型进行风险调整后，这种预测能力依然显著，经市场风险调整后的平均收益为0.62%（t = 2.27）。美元计价的结果同样稳健，证明了汇率效应对预测结果的影响有限。相比之下，在ETF数据上训练的模型产生的未计成本总收益较低，为0.58%（t = 1.84）。为增强可比性，研究比较了相同评估期内（2016–2022年）股票训练模型的表现，其取得0.64%的收益（t = 1.96）。通过逐步增加再平衡间隔发现，该预测能力主要局限于短期内，随着持有期延长至36个月，预测性显著减弱。累计收益曲线也显示，该模型在2011年至2022年乃至截至2024年的延伸期间内均保持了持续的横截面收益利差。
3.2. 指标重要性
在使用随机森林分类模型进行特征重要性分析时，波动率指标组的相对重要性最高，为0.36；趋势指标组与动量指标组紧随其后，重要性分别为0.25。成交量指标组的影响力最弱。为更严谨地评估各类指标在未见测试数据上的预测能力，研究人员使用各组指标分别训练并测试模型。结果显示，动量、波动率及其他指标能产生显著的收益利差，而趋势和成交量指标表现较弱。单一指标组均未能超越包含所有指标的完整模型，这表明不同类型的指标在预测中提供了互补的信号。
3.3. 不同地理投资重点
研究进一步根据ETF的地理投资重点考察了预测能力在跨国市场间的差异。基于全球股票训练的模型在所有地区的预测表现均为正向，但在幅度和统计显著性上有所不同。投资于中国市场的ETF表现出最强的预测性能，多空收益利差达0.87%（t = 3.92）；而美国市场的预测能力最弱，多空收益利差仅为0.48%（t = 1.60）。欧洲市场、韩国市场也逐渐表现出收益的稳定性差异。这表明在更为有效的市场中，信息被迅速纳入价格，横截面收益排名的持续性较低；而在效率较低的市场中，信息扩散较慢，短期可预测性更强。
3.4. 实施考量
3.4.1. 投资组合周转率分析
为实现投资策略的实践落地，研究人员引入了一种粘性策略，通过设定保留率来优化投资组合的换手率。基线策略（即每月全替换组合）的总换手率高达167.57%。在40%保留率的粘性策略下，总换手率下降至118.52%，同时多空每月平均收益为0.58%（t = 2.34），继续在统计学保持显著。在50%和60%保留率下，策略仍能获得可观的显隐性收益。通过信封背面盈亏平衡分析发现，全替换策略盈亏平衡往返交易成本约为53个基点，而50%保留率的粘性策略该值降至约12个基点，表明在大幅降低换手率的情况下该策略不影响模型横截面排名性能。
3.4.2. 流动性效应
ETF的流动性在收益可预测性中扮演关键角色。研究人员以相对买卖价差来衡量流动性差异。在将模型应用于不同流动性的ETF时，发现低流动性ETF的预测表现明显更强。低流动性ETF的每月多空收益利差达到0.91%（t = 2.31），而高流动性ETF仅为0.52%（t = 1.29）。该结果符合市场有效性理论，即流动性较高会加速价格调整，从而降低收益预测的持续性；低流动性对应着更高的套利成本与信息扩散减缓，短期横截面收益排名因此更为显著。
4. 进一步稳健性检验
4.1. 各种模型
为检验模型稳定性，研究人员还采用了包括逻辑回归、决策树分类（DT）、梯度提升决策树（GBDT）及XGBoost在内的替代机器学习方法。在分类模型中，XGBoost模型表现最佳，多空收益利差达到0.83%。基于分类的模型普遍优于基于回归的模型，因为回归模型在训练过程中更容易对极端收益的股票产生过拟合。进一步证实了分类方法在生成具有经济意义的横截面排名时更具优势。
4.2. 债券ETF市场测试
将全球股票训练模型应用于Datastream收集的债券ETF数据。由于底层资产存在根本差异，研究显示基于股票技术指标的预测信号未能有效转移到债券ETF市场。决策树分类模型在债券市场仅获得0.40%（t = 2.28）收益，回归模型更薄弱。这一结果表明跨资产的信号转移需要训练资产和测试资产之间存在结构相似性，模型的预测机制捕捉的是特定股票资产的横截面价格动态。
4.3. 真实样本外测试
将股票训练模型应用于2023至2024年24个月的真实样本外数据周期。短期内多空策略每月平均收益约达1.31%。结合2011至2024年的完整样本外时期，月平均收益顺势增长至0.84%（t = 3.11）。CAPM、Fama-French 3因子及Carhart 4因子调整后的收益依然显著稳健。上述结果确认了由全球股票模型生成的横截面收益排名在整个延长的样本外评估期内的稳固稳定性。
4.4. 基于五分位和二十分位的组合构建
为检验结论对划分方式的敏感性，分别构建了五分位和二十分位的投资组合。结果显示，五分位的Q5-Q1多空原始收益为0.66%（t = 3.07），二十分位的Q20-Q1为0.88%（t = 2.67）。各风险调整Alpha收益在四因子模型下显著，该策略在不同组合细分模式下均产生了一致的收益利差与排名模式，证明了横截面收益排名方法的极强真稳健性。
研究结论部分讨论
该论文的研究结论部分明确指出了其在理论和实践层面的重要发现。首先，研究证实了最初为股票选择开发的各种技术指标确实包含了可用于预测未来ETF表现的有效排名信号，尤其是在ETF本身历史数据严重受限的情况下。这种在股票上训练并在ETF上测试的模型所获得的短期横截面收益预测能力，即使在降低投资组合换手率（如采用粘性再平衡方案）的情况下依然强劲。这充分提示预测信号并非由过度交易机械驱动。
其次，特征重要性分析确认了波动率和动量指标是预测跨期收益排名的核心来源。而成交量指标在单独使用时贡献甚微。这种互补性也强调了利用多种技术指标全面构建预测框架的必要性。
再次，研究跨国和流动性的实证结果表明，横截面收益排名信号在低流动性和低市场效率环境中更具持久性。ETF追踪的高效股票市场及高流动性特征会加剧价格调整的摩擦减少，在套利机制更加充分的情境下技术指标对未预期收益的增量信息含量将显著降低。总结而言，该研究展示了统计学层面的定价摩擦证据而非无摩擦套利机会，为未来探索跨资产信号传递拓展债券或加密资产等金融标的奠定了深远的学术基石。
