ETF收益率预测中的统计精度、经济价值与模型不稳定性：发达市场与新兴市场的比较研究

《Mathematics》：Statistical Accuracy, Economic Value and Model Instability in ETF Return Forecasting: A Comparison Across Developed and Emerging Markets

　　

摘要：机器学习模型能否从不同效率水平的市场中的ETF收益率中提取预测信号，以及统计精度能否转化为交易价值，这两个问题仍存在争议。研究人员以iShares MSCI巴西ETF（EWZ）和iShares Core S&P 500 ETF（IVV）为研究对象，样本区间为2010年1月至2026年7月，训练期截至2022年12月，此后为测试期。研究将随机森林（Random Forest）、随机搜索调参的XGBoost、贝叶斯优化调参的XGBoost、长短期记忆网络（LSTM）、门控循环单元（GRU）以及LSTM+XGBoost集成模型，与历史均值、随机游走和AR(1)基准模型在一天（h = 1）、五天（h = 5）和月度（h = 21）三个预测水平上进行比较，使用了十项技术指标。每个模型还同时与预测多数类别的分类器进行比较，并以自举（bootstrap）区间报告风险调整后表现。在所有检验组合中，没有任何模型超过该平凡分类器。两个市场的失败机制不同：发达市场中的模型坍缩至多数类别，而新兴市场中的模型产生分散但无利可图的信号。在具有自相关一致性方差和错误发现率控制的Diebold–Mariano检验下，没有模型优于历史均值。没有策略优于买入持有（Buy-and-Hold）策略，且在新兴市场中，没有任何夏普比率（Sharpe ratio）可区别于零。即使在方向显著性出现的新兴市场月度水平上，也未产生经济价值。综合来看，这些结果支持应同时从回归指标、经济表现和制度稳定性三个维度评估金融预测模型，而非依赖单一标准。

论文解读：ETF收益率预测中的统计精度、经济价值与模型不稳定性——发达市场与新兴市场的比较研究

一、研究背景与问题提出

金融市场的收益率预测是量化金融与计量经济学中长期存在的挑战性问题。有效市场假说（Efficient Market Hypothesis, EMH）认为价格已包含所有可得信息，系统性超额收益不可能实现。然而，动量效应、方差比率偏离随机游走预测等异常现象的积累，使收益率可预测性问题始终悬而未决。机器学习（Machine Learning, ML）以其捕捉非线性结构和交互效应的能力，重新激发了学界对这一问题的兴趣。但现有证据混杂：部分研究报告了适度的精度提升，另一些则发现持续的过拟合和较差的样本外迁移能力。

现有文献的分歧很大程度上源于评估设计而非模型本身。多数研究仅报告均方根误差（RMSE）、平均绝对误差（MAE）和样本外R2（R2_OOS）等回归指标，而这些指标均可被一个水平正确但从不变化的常数预测所满足；方向准确率（Directional Accuracy, DA）也可被一个符号恒定且匹配多数类别的预测所满足。比较研究极少报告能够捕捉上述失败模式的诊断指标。此外，统计精度与经济价值常被混为一谈，混合架构（hybrid architecture）的边际贡献缺乏受控检验，模型在不同市场制度下的表现差异也未被系统记录。

二、研究设计与主要结论

本研究发表于《Mathematics》期刊，旨在回答两个相互关联的问题：机器学习模型能否从不同信息效率水平的资产中提取可预测的收益率信号；统计预测指标是否与实现交易收益一致。研究人员选取iShares MSCI巴西ETF（EWZ）和iShares Core S&P 500 ETF（IVV）作为研究对象，样本区间为2010年1月4日至2026年7月30日，训练期截至2022年12月31日（约80%），测试期为2023年1月1日之后（约20%）。两个基金均在美国上市、以美元计价并在同一日历上交易，排除了交易时间和计价货币的干扰。

研究比较了六种机器学习模型——随机森林（Random Forest, RF）、随机搜索调参的XGBoost、贝叶斯优化调参的XGBoost、长短期记忆网络（Long Short-Term Memory, LSTM）、门控循环单元（Gated Recurrent Unit, GRU）以及LSTM+XGBoost集成模型——与三个零基准（历史均值、随机游走、AR(1)）在一天（h = 1）、五天（h = 5）和月度（h = 21）三个预测水平上的表现，使用了十项技术指标。每个模型还同时与预测多数类别的平凡分类器进行比较，并以移动块自举（moving-block bootstrap）区间报告风险调整后表现。

核心结论明确且一致：在全部54个模型-规格组合中，没有任何模型的超额F1分数（excess F1 over the always-long classifier）为正，最佳结果仅为平局，且所有平局均由信号符号恒定的模型取得。在Diebold–Mariano检验（具有自相关一致性方差和Benjamini–Hochberg错误发现率控制）下，没有机器学习模型在任一规格中优于历史均值或AR(1)。没有策略优于买入持有（Buy-and-Hold）策略；在新兴市场中，包括买入持有在内的所有策略的夏普比率（Sharpe ratio）自举区间均包含零。

三、关键技术方法

研究人员使用R 4.3.1版本，通过quantmod包从Yahoo Finance下载日度价格数据。目标变量为h日前向百分比收益率，三个预测水平分别为h = 1、5、21。十项技术指标涵盖动量（RSI、Williams %R、Momentum10）、趋势（MA20、WMA10、EMA9、MACD）、波动率归一化位置（Bollinger %b）和量价压力（ADO、CCI）四类信息。模型方面，随机森林采用两阶段调参（tuneRF与时间序列交叉验证）；XGBoost分别通过随机搜索和mlrMBO贝叶斯优化调参；LSTM与GRU采用相同架构（50+25单元双层、dropout 0.3、学习率0.0005、早停机制）；LSTM+XGBoost集成以XGBoost的袋外预测作为LSTM的额外输入特征。评估框架包括Ljung–Box检验、ARCH-LM检验、方差比率检验等信号诊断，以及Kolmogorov–Smirnov检验、总体稳定性指数（Population Stability Index, PSI）、Bai–Perron结构断点检验和Chow检验等稳定性分析。经济评估采用长期-空仓交易规则，报告夏普比率、Sortino比率、最大回撤、换手率及Campbell–Thompson效用增益，并附自举置信区间。

四、研究结果

4.1 数据集特征与可统计开发的结构

描述性统计显示，IVV日收益率标准差为1.0836个百分点（pp），EWZ为2.0615 pp，两者相差1.9倍；IVV超额峰度为12.55，EWZ为9.82。全部六个诊断检验（Ljung–Box、ARCH-LM、方差比率）在两个资产中均拒绝原假设，但结构几乎完全位于二阶矩：平方收益的Ljung–Box统计量分别是水平收益的21倍（IVV）和37倍（EWZ），表明条件异方差性显著存在且强烈。

4.2 跨预测水平的预测表现

在h = 1时，除随机森林外各模型离散度较窄。IVV中XGBoost Optimized取得R2_OOS = +0.0196，XGBoost为+0.0023；EWZ中XGBoost为+0.0010。随机森林是两市场中的例外：IVV中RMSE为1.3667 pp（高于历史均值46%），R2_OOS = ?1.1332；EWZ中RMSE为1.9962 pp（高31%），R2_OOS = ?0.7045。样本外解释力随预测水平单调恶化，无一例外：IVV中随机森林从h = 1的?1.1332降至h = 21的?7.8372，恶化倍数为6.9倍，而EWZ仅为2.6倍。至h = 21时，两市场中没有任何模型取得正R2_OOS。

4.3 方向评估与平凡分类器

IVV中，历史均值、XGBoost和XGBoost Optimized在全部三个水平上100%的测试日预测正收益，其方向信号恒定，不携带任何条件信息。这些模型的方向准确率与F1分数在数学上精确等于始终做多分类器。随机森林则走向另一极端，仅2.12%、2.92%和0.91%的测试日预测正收益。EWZ中无模型产生恒定信号，正预测比例从5.03%到91.28%不等，但所有模型的超额F1均为负。在全部48个可比较的单元格中，超额F1非正。值得注意的是，EWZ在h = 21时六个预测器位于零信息曲线上方0.04至0.07，Pesaran–Timmermann检验对五个模型拒绝无方向可预测性的原假设（p值介于0.001至0.009），这是全研究中唯一低于0.01的p值，但这些模型的夏普比率仅0.15至0.35，远低于买入持有的0.51。

4.4 预测精度的统计比较

在Diebold–Mariano检验（HAC方差、Benjamini–Hochberg控制）下，六个规格共216对比较中86对显著；配对Wilcoxon检验识别出137对，比参考程序多拒绝59%，且差距随水平延长而扩大。新兴市场中几乎所有拒绝均涉及随机森林：h = 1时全部8个显著对均包含随机森林，其余8个程序之间无显著差异。86个显著对中，32对将零基准置于机器学习模型之前，3对将机器学习模型置于基准之前（均为XGBoost对随机游走），其余51对为组内比较。没有机器学习模型在任何规格中优于历史均值或AR(1)。Friedman检验在全部六个规格中拒绝等秩原假设，但Nemenyi事后检验显示拒绝几乎完全由随机森林驱动。

4.5 经济显著性结果

IVV中，买入持有的净夏普比率在三个水平上为1.09、1.12和1.15。历史均值、XGBoost和XGBoost Optimized达到1.09、1.10和1.09，但这是恒等关系而非竞争结果——这些策略仅执行一次仓位变动，持有仓位天数占99.89%，本质上就是买入持有。EWZ中，LSTM+XGBoost（0.63）和GRU（0.59）在h = 1时高于买入持有的0.53，但所有自举置信区间均包含零，包括买入持有本身（?0.41, 1.57）。在IVV中，唯一排除零的区间属于买入持有策略本身；每个信号真正变化的模型其区间均包含零。夏普比率差值的区间显示，新兴市场中没有任何模型可与被动基准区分，而IVV中有九个区间在负侧排除零。交易成本敏感性方面，AR(1)在IVV中从零成本的0.75降至10个基点时的?0.10和50个基点时的?3.32（执行391次仓位变动）。

4.6 协变量偏移、过拟合与制度依赖

IVV中随机森林训练R2为0.798而测试R2_OOS为?1.133，测试与训练RMSE比值为2.71（h = 1）升至13.67（h = 21），是唯一真正记忆训练样本的模型。十项特征清晰分为两组：五个有界振荡器（RSI、MACD、Williams %R、Bollinger位置、CCI）的PSI值在IVV中介于0.015至0.030，远低于0.10的常规稳定性阈值；五个价格水平和累积特征（MA20、WMA10、EMA9、Momentum10、ADO）的PSI介于1.04至8.28。波动率制度自适应模型在全部六个规格中均未优于其两个组件中较好者，且在全部六个规格中均被历史均值超越。Bai–Perron程序在两个资产的训练期收益序列中均未识别出结构断点，Chow检验（2020年3月1日）返回IVV F = 0.29（p = 0.589）、EWZ F = 0.42（p = 0.519）。SHAP归因显示，PSI低于0.03的特征所占重要性份额从h = 1到h = 21在IVV中从76.9%降至7.8%，在EWZ中从58.5%降至11.6%，余额迁移至PSI超过1.0的预测变量。

4.7 综合：两个市场展示了什么

两个市场在主要问题上无保留地一致：没有任何模型在54个单元格中取得正超额F1，没有模型在Diebold–Mariano检验下优于历史均值或AR(1)，没有策略优于买入持有。但失败路径不同：IVV中模型坍缩至多数类别，EWZ中模型产生分散但无利可图的信号。若仅研究IVV，XGBoost Optimized的正R2_OOS（+0.020）和与买入持有持平的夏普比率（1.09对1.09）将支持适度预测成功的论断；若仅研究EWZ，LSTM+XGBoost（0.63）和GRU（0.59）对买入持有（0.53）的夏普比率优势将支持无统计显著性但具经济价值的论断。两个论断在本文诊断下均告瓦解，且各自原因不同：前者因预测从不变化，后者因置信区间完全重叠。

五、讨论与结论

研究的结论部分明确指出：跨两个ETF、三个预测水平、六种机器学习与统计架构及三个零基准，未发现可提取的方向信号证据。这是一个有界的主张，涉及十项技术指标、两只基金和2023年1月至2026年7月的测试窗口，并非收益率不可预测的一般性论断，也不是对市场效率的检验。统计与经济证据在这些数据中并未背离：在Diebold–Mariano检验下没有模型优于历史均值或AR(1)，经济方面没有策略优于买入持有。水平依赖呈单调性且有已识别的机制：样本外拟合从h = 1到h = 21逐步恶化，SHAP归因显示优化器在更长水平上被推向不可迁移的预测变量。关于调参程序，贝叶斯优化未带来经济价值——其配置虽在IVV h = 1取得R2_OOS = +0.020，但预测符号恒定，交易统计与买入持有无异。失败的直接原因并非通常意义上的过拟合：只有随机森林记忆了训练样本，其训练R2达0.965至0.956（h = 21），测试与训练RMSE比值达13.67（IVV）。协变量偏移位于预测变量而非目标变量中：五个价格水平特征PSI介于1.04至8.28，而五个有界振荡器PSI低于0.03，目标序列中未检测到任何结构断点。这一机制也解释了为何低噪声、强趋势的发达市场对基于划分的学习器（partition-based learner）而言是更困难的环境。本研究的价值在于诊断方法：正预测比例和相对于平凡分类器差值的分类指标，这两个能够推翻早期发现的检验，在多数同类比较研究中缺失。研究同时强调，统计精度与经济价值的解耦在文献中已有广泛记录，这强化了在统计和经济两个维度上同时评估金融预测模型的必要性。