“该交易策略基于CRSP数据库中的普通股，使用自回归Midas模型预测月度回报率，并结合1600天的日度数据进行分位投资。每月对股票进行市值加权排序，买入前五分之一的股票并卖出后五分之一的股票，每月末再平衡投资组合。”
资产类别：股票 | 地区：美国 | 频率：每月 | 市场：股票 | 关键词：预测性，股票
策略概述
投资标的是CRSP数据库中的所有在纽约证券交易所（NYSE）、美国证券交易所（Amex）或纳斯达克（NASDAQ）上市的普通股（代码为10或11）。
<交易策略描述与流程>
我们将执行HiRes交易策略，该策略基于从ARmidas模型预测的月度回报率，并使用1600天的日度滞后数据进行月度分位投资策略。
对于投资组合中的每只股票，执行自回归Midas模型，模型中的因变量为从t-1开始的22个日历日的累计收益率。解释变量为该股票从t-1到t-1600日历日的累计收益。
在每个月底，根据标准（市值加权）预测分位投资策略方法，对股票进行排序。买入（做多）位于前五分之一的股票，卖出（做空）位于后五分之一的股票，基于之前步骤形成的分位投资组合。（投资组合中的股票按市值加权），该策略要求每月进行再平衡。
策略合理性
对预测性期限结构的高分辨率分析可以细化我们对回报动态的理解。然而，基础驱动因素仍在讨论中，并怀疑理论模型能否解释这些现象。有关有限套利、资本缓慢流动、由周期性事件触发的客户资金流动以及在风险因子变化期间的恐慌都可能与预测模型相关。
论文来源
The High Resolution Term Structure of Stock Return Predictability [点击浏览原文]
- Spyros Skouras，雅典经济与商业大学 – 国际与欧洲经济研究系
<摘要>
当过去的回报率被定义在细粒度区间时，横截面股票回报对过去回报率的依赖性显示出显著的模式。对月度回报率进行1600个日度滞后回归，揭示了季度和年度波动，以及在系数估计中的倒U型模式，这对于月度投资策略非常有用。日度回报回归揭示了周期性的预测性尖峰，并表明所有滞后期的预测性均受到市场条件的共同影响。这些模式推动了标准的反转和动量效应，并有助于月度回报的季节性效应，因此对此类效应的理论模型具有重要意义。
回测表现
| 年化收益率 | 18.3% |
| 波动率 | 22.06% |
| Beta | N/A |
| 夏普比率 | 0.83 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
