The Aligned Economic Index & The State Switching model: A powerful predictor of stock returns across all market regimes

Ilias Aarab
Aandeelrendements verwachtingen beïnvloeden tal van gebieden in de financiële sector, gaande van het prijzen van obscure activa tot optimale portfolio-allocatie van pensioenfondsen en risicobeheer. Het is dan niet verwonderlijk dat de zoektocht naar accurate en betrouwbare rendement voorspellingen in de laatste decennia veel belangstelling heeft gekregen bij zowel academici als in de private wereld. Dit thesisonderzoek stelt een vernieuwende oplossing voor om rendementen te voorspellen: De ontwikkeling van een regime afhankelijke model gecombineerd met de veelvuldige informatie van een groot set financiële en economische variabelen.

Kunnen beleggers rendement voorspellen?

"De bereidheid van een Wall Street investeringsbank om mij honderdduizenden dollars te betalen om beleggingsadvies aan volwassenen te verstrekken blijft een mysterie voor mij. Ik was vierentwintig jaar oud, zonder enige echte ervaring, noch interesse, om te gissen welke aandelen en obligaties nu zouden stijgen en welke zouden dalen. De meest fundamentele rol van Wall Street was het optimaal alloceren van kapitaal: Beslissen wie het wel en wie het niet zou krijgen. Geloof me wanneer ik je zeg dat ik geen flauw benul had van wat juist te doen.” (Michael Lewis, financieel journalist en auteur van de bestseller The Big Short)

Aandeelrendements verwachtingen beïnvloeden tal van gebieden in de financiële sector, gaande van het prijzen van obscure activa tot optimale portfolio-allocatie van pensioenfondsen en risicobeheer. Het is dan niet verwonderlijk dat de zoektocht naar accurate en betrouwbare rendement voorspellingen in de laatste decennia veel belangstelling heeft gekregen bij zowel academici als in de private wereld.

De eerste revolutie in financiën legde de bouwstenen vast voor het hedendaagse vakgebied. Het hoogtepunt werd bereikt der begin jaren ’70, waarin de grondslagen van het CAPM; random walk; efficiënte markten en porfolio-optimalisatie hun intrede maakte. Allen fundamentele begrippen in de financiële wereld. Het besluit van deze bundel van theorieën? Diverse activa rendementen zijn onvoorspelbaar, en aandeelprijzen gedragen zich als een dronkaard op de afgrond van een klif: één stap naar voren en de man valt van de klif, een stap naar achteren en hij is ietsje veiliger, twee opeenvolgende stappen naar voren en hij valt er weer af. Hoeveel mogelijke combinaties die ervoor zorgen dat de man van de klif valt? Oneindig! Erger nog, het traject dat de dronkaard aflegt (bijv. twee stappen naar achteren, één naar voren, drie naar achteren) (lees – de evolutie van historische aandelenprijzen) vervat geen enkele informatie omtrent de volgende positie waarin de dronkaard zich zal bevinden (lees – toekomstige aandelenprijzen). Gebaseerd op deze redenering zouden professionele managers die actief fondsen beheren (denk aan pensioenfondsen) het niet beter kunnen doen dan passieve portfolio’s die met gerust worden gelaten. Zoals de financieel professor Malkiel zei in zijn befaamde boek A random walk Down Wall Street: “Een geblinddoekte aap die pijlen naar de financiële pagina's van een krant gooit, kan een portfolio selecteren dat net zo goed werkt als een zorgvuldig door experts geselecteerde portfolio.”

image-20191006205434-1

Illustratie van een random walk proces.

Deze theorieën zijn natuurlijk geen dogmatische overtuigingen. Integendeel, ze bevatten de bevindingen samen van een kwarteeuw uitgebreid en zorgvuldig empirisch werk. Elk van deze theorieën is echter grondig herzien door een nieuwe generatie van onderzoek. Nu blijkt dat, ondanks dat historische aandelenprijzen niet veel informatie vervatten, men gebruik kan maken van allerlei financiële ratio’s en economische variabelen (denk aan de dividend-prijs ratio of aan het inflatieniveau) om het aandelenrendement alsnog te voorspellen. Niettemin blijkt uit recent onderzoek dat de meeste van deze voorspellende modellen het slechter doen dan pronostieken op basis van het historische gemiddelde, met het grootste valluik dat deze modellen het enkel goed doen in tijden van recessie en falen om dezelfde resultaten te leveren in tijden van expansie.

Mijn bijdrage tot de huidige literatuur is dan tweevoudig. Allereerst, Introduceer ik een regime afhankelijke model gebaseerd op de zogenaamde ‘Yield curve’, een barometer voor het algemene sentiment in de financiële markten, die het mogelijk maakt om de toekomstige markttoestand op te delen in een aangename toestand (met positieve en stabiele rendementen) en een onaangename toestand (met negatieve en onstabiele rendementen). Dit regime afhankelijke model zorgt ervoor dat een voorspelling op basis van financiële ratio’s en economische variabelen tijdig rekening houdt met verschuivingen van de algemene markttoestand.

image-20191006205434-2

Boven: de ‘Yield curve’. Onder: aandeelrendementen. Grijze secties stellen recessies voor.

Het tweede gedeelte van de thesis introduceert een nieuwe geaggregeerde rendement voorspeller op basis van maar liefst 16 financiële ratio’s en economische variabelen. Echter, toont statistische theorie aan dat het gebruik van een groot set van variabelen leidt tot erratische gedragingen van een model. Om zulke neveneffecten te vermijden maak ik gebruik van een meer geavanceerde methode (de ‘Partial Least Squares’ dat veelvuldig wordt toegepast in de chemometrie en recent zijn intrede heeft gemaakt in de financiële literatuur) om de informatie vervat in de set van variabelen op een meer efficiënte manier te extraheren. De extraheerde informatie, dat alle relevante informatie van de set variabelen bevat, wordt verzameld in een nieuwe sterke rendement voorspeller: de gealigneerde economische index. 

Het gebruik van de nieuwe rendement voorspeller onder het regime model voegt consistent statische en economische waarde toe aan een actief belegd portfolio. Meer indrukwekkend, deze resultaten blijven geldig over alle markttoestanden heen; zowel tijdens economische recessies als expansies. Deze bevindingen zijn niet te onderschatten: in tegenstelling tot de meest bestaande modellen, die enkel te gebruiken zijn tijdens recessies welk kort geleefd zijn, biedt de nieuwe gealigneerde economische index meer praktische waarde aan professionele beleggers doordat het model op consistente basis gebruikt kan worden.

Oke… Random walk; Partial Least Squares; … euhm; allemaal leuk en wel, maar wat houdt dit nu concreet in? Om deze vraag te beantwoorden simuleer ik een set van beleggers die op 1 januari 1980 allen 100$ in gelijkaardige portfolio’s beleggen. Elk van de beleggers herbalanceert haar portfolio op het einde van elk maand waarbij alle renteopbrengsten worden geherinvesteerd. De herbelegging van elke investeerder gebeurt op basis van een van de gekozen modellen waaronder de regime afhankelijke gealigneerde economische index. De beleggers blijven actief op de aandelenmarkt tot eind December 2017 waarna ze hun portfolio verkopen. Het resultaat: De belegger die ervoor koos om haar portfolio met rust te laten accumuleerde een eindbedrag van 6.800$, en presteert hierbij, zoals verwacht, beter dan de klassieke modellen. In tegenstelling, de belegger die gebruik maakt van de gealigneerde economische index accumuleert een aanzienlijk eindbedrag van maar liefst 30.500$! Meer opmerkelijk, de belegger doet het consistent beter dan de andere modellen zowel tijdens recessies als expansies wat de eerdere bevindingen van de thesis verder bevestigd.

image-20191006205434-3

Geaccumuleerde portfoliowaarde van de diverse beleggers. Rode grafiek: passieve belegger. Paarse grafiek: belegger met de nieuwe index.  

 

 

 

 

 

 

Bibliografie

Ang, A., & Bekaert, G. (2004). How regimes affect asset allocation. Financial Analysts Journal. https://doi.org/10.2469/faj.v60.n2.2612

Barbara J, M. (2015).  Practical Applications of Return Predictability and Dynamic Asset Allocation: How Often Should Investors Rebalance? Return Predictability and Dynamic Asset Allocation: How Often Should Investors Rebalance? Himanshu Almadi, David E. Rapach, and Anil Suri . Practical Applications. https://doi.org/10.3905/pa.2014.2.3.083

Barber, B. M., Odean, T., & Zhu, N. (2009). Systematic noise. Journal of Financial Markets. https://doi.org/10.1016/j.finmar.2009.03.003

Bensoussan, A., Wong, K. C., Yam, S. C. P., & Yung, S. P. (2014). Time-Consistent Portfolio Selection under Short-Selling Prohibition: From Discrete to Continuous Setting. SIAM Journal on Financial Mathematics. https://doi.org/10.1137/130914139

Boyd, J. H., Hu, J., & Jagannathan, R. (2005). The stock market’s reaction to unemployment news: Why bad news Is usually good for stocks. Journal of Finance. https://doi.org/10.1111/j.1540-6261.2005.00742.x

Campbell, John Y. Shiller, R. J. (1989). The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. The Review of Financial Studies.

Campbell, J. Y., & Shiller, R. J. (1988). American Finance Association Stock Prices, Earnings, and Expected Dividends. The Journal of Finance.

Campbell, J. Y., & Thompson, S. B. (2008). The Society for Financial Studies Predicting Excess Stock Returns out of Sample : Can Anything Beat the Historical Average ? Author ( s ): John Y . Campbell and Samuel B . Thompson Published by : Oxford University Press . Sponsor : The Society for Financi. 21(4), 1509–1531.

Chen, L. (2009). On the reversal of return and dividend growth predictability: A tale of two periods. Journal of Financial Economics, 92(1), 128–151. https://doi.org/10.1016/j.jfineco.2008.04.004

Clark, T. E., & McCracken, M. W. (2001). Tests of equal forecast accuracy and encompassing for nested models. Journal of Econometrics. https://doi.org/10.1016/S0304-4076(01)00071-9

Clark, T. E., & West, K. D. (2007). Approximately normal tests for equal predictive accuracy in nested models. 138, 291–311. https://doi.org/10.1016/j.jeconom.2006.05.023

Cochrane, J. H. (2011). Presidential Address: Discount Rates. Journal of Finance. https://doi.org/10.1111/j.1540-6261.2011.01671.x

Cujean, J., & Hasler, M. (2017). Why Does Return Predictability Concentrate in Bad Times? Journal of Finance. https://doi.org/10.1111/jofi.12544

Da, Z., Engelberg, J., & Gao, P. (2011). In Search of Attention. Journal of Finance. https://doi.org/10.1111/j.1540-6261.2011.01679.x

Dangl, T., & Halling, M. (2012). Predictive regressions with time-varying coefficients. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2012.04.003

Devpura, N., Kumar, P., & Sunila, S. (2018). Journal of International Financial Markets , Institutions & Money Is stock return predictability time-varying ? Journal of International Financial Markets, Institutions & Money, 52, 152–172. https://doi.org/10.1016/j.intfin.2017.06.001

Fama, E. F., & French, K. R. (1988). Dividend yields and expected stock returns. Journal of Financial Economics. https://doi.org/10.1016/0304-405X(88)90020-7

Fama, E. F., & French, K. R. (1989). Business conditions and expected returns on stocks and bonds. Journal of Financial Economics. https://doi.org/10.1016/0304-405X(89)90095-0

Ferreira, M. A., & Santa-Clara, P. (2011). Forecasting stock market returns: The sum of the parts is more than the whole. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2011.02.003

George M. Frankfurter, B. G. W. (1997). The Evolution of Corporate Dividend Policy. Journal of Financial Education.

Golez, B., & Koudijs, P. (2018). Four centuries of return predictability. Journal of Financial Economics, 127(2), 248–263. https://doi.org/10.1016/j.jfineco.2017.12.007

Guidolin, M., & Timmermann, A. (2005). Economic implications of bull and bear regimes in UK stock and bond returns. Economic Journal. https://doi.org/10.1111/j.1468-0297.2004.00962.x

Guo, H. (2002). On the Out-of-Sample Predictability of Stock Market Returns. In SSRN. https://doi.org/10.2139/ssrn.315089

Hamilton, B. Y. J. D. (2019). A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle Author ( s ): James D . Hamilton Published by : The Econometric Society Stable URL : https://www.jstor.org/stable/1912559 The Econometric Society is collaborating . 57(2), 357–384.

Hamilton, J. D. (2005). Regime-Switching Models. 0–15.

Hamilton, J. D. (2016). Regime switching models. In Macroeconometrics and Time Series Analysis. https://doi.org/10.1057/9780230280830_23

Hammerschmid, R., & Lohre, H. (2018). Regime shifts and stock return predictability ☆. International Review of Economics and Finance, 56(October 2017), 138–160. https://doi.org/10.1016/j.iref.2017.10.021

Harry Markowitz. (1952). Portfolio Selection Harry Markowitz. The Journal of Finance, 7(1), 77–91. https://doi.org/10.1144/GSL.JGS.1861.017.01-02.11

Harvey, D. S., Leybourne, S. J., & Newbold, P. (1998). Tests for forecast encompassing. Journal of Business and Economic Statistics. https://doi.org/10.1080/07350015.1998.10524759

Henkel, S. J., Martin, J. S., & Nardari, F. (2011). Time-varying short-horizon predictability. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2010.09.008

Huang, D., Brennan, M., Cao, J. J., Da, Z., Kadan, O., Kan, R., … Loh, R. (2017). Forecasting Stock Returns in Good and Bad Times : The Role of Market States Current version : July 2017 Forecasting Stock Returns in Good and Bad Times : The Role of Market States Abstract.

Huang, D., Jiang, F., Tu, J., & Zhou, G. (2015). Investor sentiment aligned: A powerful predictor of stock returns. Review of Financial Studies, 28(3), 791–837. https://doi.org/10.1093/rfs/hhu080

Jiang, F., Lee, J., Martin, X., & Zhou, G. (2019). Manager sentiment and stock returns. Journal of Financial Economics, 132(1), 126–149. https://doi.org/10.1016/j.jfineco.2018.10.001

Johnson, T. L. (2017). Return Predictability Revisited Using Weighted Least Squares.

Kandel, S., & Stambaugh, R. F. (1996). On the predictability of stock returns: An asset-allocation perspective. Journal of Finance. https://doi.org/10.1111/j.1540-6261.1996.tb02689.x

Kelly, B., & Pruitt, S. (2013). Market expectations in the cross section of present values (working paper version). Journal of Finance, 68(5), 1721–1756. https://doi.org/10.1111/jofi.12060

Kelly, B., & Pruitt, S. (2015). The three-pass regression filter: A new approach to forecasting using many predictors. Journal of Econometrics, 186(2), 294–316. https://doi.org/10.1016/j.jeconom.2015.02.011

Lettau, M., & Van Nieuwerburgh, S. (2008). Reconciling the return predictability evidence. Review of Financial Studies. https://doi.org/10.1093/rfs/hhm074

Lewellen, J. (2004). Predicting returns with financial ratios. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2002.11.002

Lin, H., Wang, J., & Wu, C. (2014). Predictions of corporate bond excess returns. Journal of Financial Markets. https://doi.org/10.1016/j.finmar.2014.08.003

Ludvigson, S., & Ng, S. (2010). A Factor Analysis of Bond Risk Premia. https://doi.org/10.1201/b10440-13

Manela, A., & Moreira, A. (2017). News implied volatility and disaster concerns. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2016.01.032

McCracken, M. W., & Valente, G. (2018). Asymptotic Inference for Performance Fees and the Predictability of Asset Returns. Journal of Business and Economic Statistics. https://doi.org/10.1080/07350015.2016.1215317

Mele, A. (2007). Asymmetric stock market volatility and the cyclical behavior of expected returns. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2006.10.002

Neely, C. J., Rapach, D., Tu, J., & Zhou, G. (2014). Forecasting the Equity Risk Premium: The Role of Technical  Indicators. In SSRN. https://doi.org/10.2139/ssrn.1787554

Pan, Z., Pettenuzzo, D., & Wang, Y. (2018). Forecasting stock returns : A predictor-constrained approach . 1–40.

Pettenuzzo, D., & Timmermann, A. (2014). Constraints Forecasting Stock Returns under Economic Constraints. (858).

Polk, C., Thompson, S., & Vuolteenaho, T. (2006). Cross-sectional forecasts of the equity premium. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2005.03.013

Rapach, D. E., Ringgenberg, M. C., Zhou, G., Drive, B., & Louis, S. (2016). Short interest and aggregate stock returns R. 121, 46–65. https://doi.org/10.1016/j.jfineco.2016.03.004

Rapach, D. E., Strauss, J. K., & Zhou, G. (2010). Out-of-sample equity premium prediction: Combination forecasts and links to the real economy. Review of Financial Studies, 23(2), 821–862. https://doi.org/10.1093/rfs/hhp063

Rapach, D. E., Wohar, M. E., & Rangvid, J. (2005). Macro variables and international stock return predictability. International Journal of Forecasting. https://doi.org/10.1016/j.ijforecast.2004.05.004

Sander, M. (2018). Market timing over the business cycle. Journal of Empirical Finance. https://doi.org/10.1016/j.jempfin.2017.12.002

Stambaugh, R. F. (1999). Predictive regressions *. Journal of Financial Economics. https://doi.org/10.1016/S0304-405X(99)00041-0

Tu, J., & Wang, Y. (2013). Forecasting the Equity Risk Premium: The Role of Foreign Exchange Market Technical Indicators. SSRN Electronic Journal, (March 2019). https://doi.org/10.2139/ssrn.2311238

Welch, I., & Goyal, A. (2008). A comprehensive look at the empirical performance of equity premium prediction. Review of Financial Studies, 21(4), 1455–1508. https://doi.org/10.1093/rfs/hhm014

Wold, H. (1975). 11 - Path Models with Latent Variables: The NIPALS Approach**NIPALS = Nonlinear Iterative Partial Least Squares. In International Perspectives on Mathematical and Statistical Modeling. https://doi.org/https://doi.org/10.1016/B978-0-12-103950-9.50017-4

Wright, J. H. (2006). The Yield Curve and Predicting Recessions. In SSRN. https://doi.org/10.2139/ssrn.899538

Xia, Y. (2001). Learning about predictability: The effects of parameter uncertainty on dynamic asset allocation. Journal of Finance. https://doi.org/10.1111/0022-1082.00323