近日，我校金融学院姜富伟教授合著论文《实时宏观数据能预测债券收益吗？》（Are Bond Returns Predictable with Real-Time Macro Data?）在计量经济学领域国际顶级期刊Journal of Econometrics在线发表，是我校在机器学习与资产定价领域的又一项国际领先成果。

Journal of Econometrics杂志成立于1973年，是计量经济学国际顶级学术期刊，旨在作为理论和应用计量经济学重要的新研究的发表阵地，是我校经济学AAA国际顶级期刊和ESI “Economics and Business”（经济学与商学）类别A区（Q1）期刊。姜富伟教授现任我校金融学院教授、博导，金融工程系主任，是教育部国家级人才项目青年学者、国家社科基金重大项目首席专家、北京市海淀区政协委员。

长期国债的时变反周期（countercyclical）风险溢价的建模和预测是当下货币政策和债券市场研究的热点问题。现有研究存在两点缺陷：在数据层面上，宏观数据的发布存在1-2个月的滞后，而且由于估计误差或测度误差，宏观变量在第一次发布后可能会被修改多次。因此已有研究中使用最终修订（final revised）的宏观变量进行预测存在数据窥探偏误，投资者真正可以使用的数据是实时（real-time）宏观数据。在方法层面上，现有研究使用经典主成分分析（PCA）从宏观大数据中提取信息，并且假设宏观因子和国债收益率的关系是线性形式。这种简单直觉的计量模型在现实世界中是非常受限的。姜富伟教授前期发表在Management Science的工作已经证明，宏观数据在金融预测时候是存在一个弱因子结构的（weak factor），噪音占据原始数据的绝大部分，经典主成分分析会失效。同时作为一种无监督学习算法，经典主成分分析也忽视了预测目标中蕴含的信息。此外线性模型也不能准确捕捉债券市场、货币政策和宏观经济之间的复杂互动关系。

姜富伟教授和他的合作者放宽了传统研究中关于线性预测关系和强因子结构的假设，提出了一种新的基于弱因子结构和非线性预测关系的“缩放充分预测法（scaled sufficient forecasting, sSUFF）”，并使用实时宏观大数据，通过准确的计量数据时间签，严谨考量宏观数据发布时滞和数据修订所带来的数据质量问题，实证检验了实时宏观数据对债券收益的预测能力。

理论上，论文证明，虽然经典的SUFF模型是一种针对大数据非常灵活的非线性潜在多因子建模方法。但是，弱因子数据结构会严重弱化SUFF的预测性能。因此，文章首先在理论上创新性的提出了一种全新的缩放充分预测法sSUFF模型，并且证明了在存在弱因子环境下sSUFF的渐进一致性和分布性质，通过考虑预测变量和潜在因子之间的关系，该sSUFF方法与很多大数据背景下的经济金融理论能更好的保持一致，并保证了设定的灵活性。值得一提的是，虽然sSUFF是设计来解决与弱因子相关的问题，但针对强因子数据结构，它的预测性能也是稳健的。

实证上，文章发现，基于sSUFF缩放充分预测方法，实时宏观经济数据对债券时变风险溢价有显著的样本外预测能力。并且，sSUFF预测能力比PCA, sPCA, PLS和SUFF等领先的机器学习方法都好，且预测能力提升不受收益率曲线建模方式的影响。此外，基于sSUFF的债券预测产生非常可观的市场择时策略效益，而基于SUFF, PCA, PLS的债券收益预测不能产生足够大的投资收益。文章还探究了债券收益可预测性的经济机制来源，发现实时宏观经济数据对未来的宏观状况具有显著的样本外预测能力；此外，债券收益可预测性是反经济周期的，在经济衰退期可预测性更强。