【华安证券·金融工程】专题报告：择时因子之争：宏观经济变量还是投资者情绪？|宏观经济_新浪财经

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：华安证券研究）

本文利用机器学习技术研究了宏观经济因素和情绪因素在预测股市收益方面的优劣。作者发现，单独使用宏观经济变量或情绪变量并未改善组合的夏普比率，而将这两类因素结合后，夏普比率从0.48提升至0.62，并且投资的回撤幅度大约减少了30%，从53个百分点降低至36个百分点。这一改善在经济和统计意义上都具有显著性。作者进一步评估了不同经济周期下策略的表现，发现宏观经济变量在市场扩张期间通常优于情绪变量，而在衰退期间则表现较差。在衰退晚期，尤其是股市接近底部时，宏观经济变量和情绪变量的综合表现特别强劲。作者的发现对于所选择的机器学习技术具有稳健性，并表明情绪和宏观经济信息是互补的，因此，投资者应综合考虑这两者。

结合宏观经济变量和情绪变量的机器学习模型的投资组合在表现上优于被动投资组合

当宏观经济变量和情绪变量结合时。LASSO投资组合（Lass_port）在所有表现和风险度量类别中都是优越的策略。它具有所有投资组合中最高的年化回报（9.49%）、夏普比率（0.627）和Sortino比率（0.314），包括SPX（7.39%，0.481，0.229）。此外，LASSO组合的最大回撤为36.00%，而SPX的最大回撤超过52.50%。

经济变量和情绪变量具有互补性

在扩张期间，情绪变量未能提供增量。基于宏观经济变量的策略提供0.70的夏普比率，超过了基于情绪策略的0.56和同时使用宏观经济和情绪变量策略的0.65。然而，任何策略均未能超越买入持有基准策略。在衰退期间，依赖于宏观经济或情绪变量的策略表现不佳。宏观经济策略的夏普比率为-1.06，情绪策略的夏普比率为-0.85，均低于基准买入持有策略的-0.76夏普比率。然而，基于这两类信息的综合信号的策略夏普比为0.47，表现出色。

文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。

引言

市场择时是一个颇具争议的话题，通常在市场动荡之后再次引发讨论。2020年2月，标普500指数创下历史新高，但紧接着出现了自1987年10月以来最大幅度的5天跌幅以及自大萧条以来最大幅度的20天跌幅。这种市场行为难以与Fama等人（1969）提出的理论相吻合，该理论认为市场价格充分反映了所有公开可得的信息。

尽管成功的市场择时与有效市场假说相悖，但一些实证研究，如Jiang等人（2007）和Kacperczyk等人（2014），表明一些基金经理具备市场择时能力。Wermers（2000）则提出了经济表现不佳时，投资经理进行市场择时的证据。Ludvigson和Ng（2007）对209个宏观经济变量和172个金融变量进行了全面分析，得出了一个波动率因子和一个风险溢价因子，这两个因子解释了未来一个季度超额市场收益波动的16%至20%。GomezCram（2021）展示了如何利用宏观经济数据在市场择时模型中识别经济周期的转折点，从而使夏普比率提高了60%。

在以往的研究中，市场择时的特征变量往往是宏观经济变量或情绪变量，但这些研究的结果往往不一致。这两个领域在文献中大多是独立研究的。本论文的目的是弥合这一差距，探讨结合情绪变量和宏观经济变量能否产生比单独使用这两类变量更为稳健的市场择时信号。作者使用了一组标准变量以减轻数据挖掘的担忧。作者依赖于先进的机器学习技术，以克服Novy-Marx（2014）强调的伪关系问题。Buchanan（2019）描述了机器学习如何迅速改变金融行业。她讨论了传统的计量经济学方法主要用于推导推论，而机器学习方法则用于提高预测精度。Gu等人（2020）详细讨论了当潜在预测变量的数量相对于金融时间序列的长度较大时，传统的计量经济学方法会产生高度不稳定的样本外预测。在作者的研究中，作者使用了Gu等人（2020）推荐的两种标准机器学习技术：Tibshirani（1996）提出的最小绝对收缩与选择算子（LASSO），以及Zou和Hastie（2005）的ElasticNet方法。

作者的贡献有三点。首先，作者发现常用的宏观经济和情绪变量未能改善股票市场的表现。使用宏观经济变量的择时策略的夏普比率为0.37，低于市场的夏普比率0.48，这与Welch和Goyal（2008）的结论一致，他们指出流行的宏观经济变量并不是股票风险溢价的良好预测指标。使用情绪变量的择时策略的夏普比率为0.30，同样低于市场的夏普比率。尽管一些研究，如Mascio和Fabozzi（2019）和Mascio等人（2021）表明，部分由从业者选择性使用的情绪因素可以预测市场表现，但作者的论文采用了一组常用的情绪变量，这些变量常被学者使用。其次，作者发现结合情绪变量和宏观经济变量可以产生更优的结果。择时策略的夏普比率为0.62，显著超过市场的夏普比率，且在经济和统计上均具显著性。此外，该策略将投资回撤从53个百分点减少到36个百分点，减少幅度约为30%。作者的发现对那些希望在控制回撤的同时提升投资表现的投资者具有实际意义。最后，作者考察了宏观经济变量和情绪变量的互补性。作者研究了这些变量在美国国家经济研究局（NBER）商业周期中的表现，发现宏观经济变量在市场扩张期间表现优于情绪变量，而在经济衰退期间表现不佳。宏观经济变量和情绪变量的综合表现特别在衰退的后期阶段表现突出，市场接近底部。例如，在2001年衰退的后期阶段，综合策略的夏普比率为0.89，显著高于标普500指数的夏普比率-0.66。同样，在全球金融危机的后期阶段，综合策略的夏普比率为0.77，优于股票市场的-0.85夏普比率。

本文采用了Mascio和Fabozzi（2019）以及Mascio等人（2021）提出的样本内/样本外方法，研究时间为1994年1月至2020年12月。该方法使用24个月的样本内数据进行模型估计。因此，样本外期间覆盖了1996年1月至2020年12月。在作者的研究中，作者依赖LASSO方法进行预测。LASSO方法对因子加载施加L1范数惩罚，导致稀疏解。Rapach等人（2013）和Rapach等人（2019）使用LASSO研究国际市场和行业之间的先行-滞后关系。DeMiguel等人（2018）、Freyberger等人（2020）和Feng等人（2020）应用LASSO进行基于特征的因子选择。Mascio和Fabozzi（2019）以及Mascio等人（2021）表明，与传统的情绪指数和逻辑回归模型相比，LASSO在选择集体预测股票市场回报的情绪因素时更有效。

为了保证稳健性，作者还使用ElasticNet和Ridge回归方法重复了作者的分析。Zou和Hastie（2005）表明，当潜在的预测变量高度相关时，结合L1范数（LASSO）和L2范数（Ridge）惩罚的ElasticNet方法能产生更优的预测精度。Ridge回归最早由Hoerl和Kennard（1970）提出，旨在解决多重共线性问题。正如Gu等人（2020）所讨论的，LASSO在因子选择方面非常有效，但ElasticNet还可以缓解估计系数过大的问题。Feng等人（2020）认为，方法的选择取决于具体背景下的模型假设。尽管他们发现LASSO在他们的研究中效果最佳，但他们仍然推荐ElasticNet作为一个优秀的替代方法。

在作者的分析中，作者使用了六个常见的情绪变量和19个标准的宏观经济变量，这些变量的详细说明见附录。然而，作者的方法非常灵活且具有扩展性，未来的研究可以将作者的分析扩展到更多的预测变量上。

本论文在多个领域的文献中做出了贡献。首先，它扩展了之前关于市场预测因子的研究，通过评估情绪和宏观经济变量的综合效益以及各自的贡献，这两者在学术文献中属于截然不同的研究线索。例如，Ludvigson和Ng（2007）对宏观经济变量进行了全面分析，而Mascio和Fabozzi（2019）则专门研究了情绪指数。作者的研究发现，宏观经济变量和情绪指数的结合可以有效预测未来的市场表现，显示出整合不同预测因子的显著优势。

作者的研究还为金融领域中的机器学习技术文献做出了贡献。先前的研究表明，结合多样化的模型，特别是集成模型，可以带来显著的效益，Opitz和Maclin（1999）对此进行了详细讨论。作者的研究证明，当这些弱预测因子提供互补的信息集时，结合它们可以产生更优的结果。

最后，作者对宏观经济变量和情绪变量之间的差异进行了分析。作者的经济周期分析揭示了宏观经济变量和情绪变量作为市场预测因子的互补表现。作者发现，在经济扩张期间，宏观经济变量比情绪变量更有效，而在经济衰退期间，尤其是在股市接近底部的晚期阶段，情绪变量的预测性能显著提高。

作者的研究对那些希望通过战术调整投资组合敞口的投资者具有实际意义。作者提出的时机策略将夏普比率从0.48提高到0.62，约改善了30%，并将回撤减少了约30%。对于那些希望在控制回撤的同时提高投资组合表现的从业者来说，这两项改进都具有重要意义。

本文的结构如下：第二部分介绍了数据和方法，第三部分讨论了实证结果，第四部分是结论。

数据与方法

本节介绍了本研究中使用的数据集和方法。作者采用了Mascio和Fabozzi（2019）以及Mascio等人（2021）提出的样本内/样本外方法，研究期间为1994年1月至2020年12月。该方法使用24个月的样本内数据进行模型估计，因此样本外期间涵盖了1996年1月至2020年12月。所有变量和收益数据均为月度数据，且没有缺失值，原始变量未经过变换处理。

2.1 预测与市场状态变量

本研究考虑了六个情绪变量和19个宏观经济变量，具体描述见附录。1.情绪指数：密歇根大学消费者信心指数、费城联储商业展望调查扩散指数总体状况、NFIB小企业乐观指数、Aruoba–Diebold–Scotti商业状况指数（Aruoba等人，2009年提出）、GZ信用利差（Gilchrist和Zakrajsek，2012年提出）、超额债券溢价（Gilchrist和Zakrajsek，2012年提出）。2.宏观经济变量：密歇根大学当前经济状况指数、密歇根大学消费者预期指数、密歇根大学预期未来一年价格变化中值、彭博美国每周消费者舒适指数、联邦基金目标利率（上限）、美国首次申请失业救济人数（经季调）、MBA美国抵押贷款市场指数每周%变化（经季调旧方法）、美国持续申请失业救济人数（经季调）、全美房屋建筑商协会市场指数（经季调）、彭博美国全国经济预期扩散指数、ISM制造业采购经理人指数（经季调）、ISM制造业新订单报告（经季调）、ISM制造业物价指数（未季调）、ISM制造业就业报告（经季调）、美国汽车销售总量（年化经季调）、ISM服务业采购经理人指数、美国非农就业总人数月环比变化（经季调）、芝加哥联储全国活动指数。3.市场状态变量（衰退与扩张）基于美国国家经济研究局（NBER）的衰退指标USREC，该指标可以从圣路易斯联储（FRED）数据库中获取。该月度变量为1时表示衰退，为0时表示扩张。

2.2 方法论

在本研究中，作者采用了Mascio和Fabozzi（2019）以及Mascio等人（2021）提出的样本内/样本外方法。预测变量用于预测标准普尔500指数1个月后的回报方向。具体来说，在时间t时，如果当月标准普尔500指数上涨（回报为正），方向变量xt等于1；如果当月标准普尔500指数下跌（回报为负），则xt等于0。在每个时间t，对于每种预测方法Fk，作者使用之前24个月的数据作为样本内时期，来估计逻辑回归的参数θkt = (αkt, βkt)。

公式 p(xτ+1)=P(xτ+1=1)表示在时间τ+1时，标准普尔500指数上涨（即 xτ+1=1）的概率，其中 τ=t−24,…,t−1。

然后，利用在时间t估计得到的参数 θkt，作者可以预测时间 t+1的市场方向：

如果预测概率 p^k(xt+1)≥0.5，作者预测指数在t+1时会上涨；如果 p^k(xt+1)<0.5，则预测指数在t+1时会下跌。作者将预测结果在不同时间点进行汇总，并与实际结果进行比较评估。

作者采用四种方法来估计逻辑回归模型：

标准方法：标准方法依赖于无惩罚的最大似然估计（MLE）。假设误差项是独立同分布的正态随机变量。正如 Gu 等人（2020）所讨论的，当潜在预测变量的数量相对于金融时间序列的长度较大时，标准 MLE 在样本外的预测表现极不稳定，因此推荐使用两种标准的机器学习技术：LASSO 和 Elastic Net 方法。

LASSO：LASSO 方法基于带有L1范数惩罚的 MLE。

岭回归：岭回归方法基于带有L2范数惩罚的 MLE。在机器学习文献中，它也被称为权重衰减（weight decay）方法。

Elastic Net：Elastic Net 方法则结合了L1范数和L2范数惩罚的 MLE。

在时间t，给定时间序列x=(xt−23,…,xt)，即股票市场在t−23到t期间的回报符号，线性回归方法将x表示为N个预测变量 F1,…,FN 的线性组合，其中每个因子 Fi由其时间序列 (Fit−23,…,Fit)表示：

在这里，α是截距，β=(β1,…,βN)是斜率系数的向量，ϵτ是时间τ时的残差。

在这种情况下，典型的普通最小二乘法（OLS）产生的估计值与最大似然估计（MLE）的结果相同，其通过最小化平方误差来进行估计：

岭回归（Ridge regression）同样最小化平方误差，但在因子负载上加入了L2范数惩罚项，以缓解多重共线性问题：

Tibshirani（1996）的LASSO方法同样最小化平方误差，但在因子负载上加入了L1范数惩罚项：

对因子负载的惩罚旨在消除虚假的关系，并导致稀疏解。LASSO方法已被Rapach等人（2013、2019）用来研究国际市场和行业之间的领先—滞后关系，并在DeMiguel等人（2018）、Freyberger等人（2020）和Feng等人（2020）中用于基于特征的因子选择。Mascio和Fabozzi（2019）以及Mascio等人（2021）表明，LASSO方法在选择集体预测股票市场收益的情绪因子方面，比传统的情绪指数和全面回归模型更为有效。

Zou和Hastie（2005）指出，当潜在预测变量存在相关性时，结合L1范数（LASSO）和L2范数（Ridge）惩罚的Elastic Net方法能够实现更高的预测准确性。Elastic Net方法定义如下：

Gu等人（2020）解释说，LASSO在因子选择方面有效，但Elastic Net也可以缓解估计系数过大的问题。Feng等人（2020）建议，在特定的背景下，方法的选择依赖于潜在的模型假设。因此，LASSO和Elastic Net方法都可以考虑用于因子选择。

2.3 表现评估

本节介绍用于样本外表现评估的指标：夏普比率和确定等效收益（CEQ）。该交易策略简单明了。在每个月底，三个模型会对下一个月标准普尔500指数的方向做出预测。如果预测为上涨（下跌），则在最近到期的E-mini标准普尔500指数期货合约中建立多头（空头）头寸。每个投资组合的持有期将根据接下来的月份的预测来决定。给定策略k的样本外平均超额收益的估计值 μk和方差 σk2，夏普比率为 Sk=μ^k/σ^k，而确定等效收益为：

如DeMiguel等（2009）所推荐的那样。遵循Mascio等（2021）的做法，作者考虑了风险厌恶系数γ=1,2,3,4,5的广泛范围，以确保结果的稳健性。

作者检验策略的表现是否与标准普尔500指数收益的表现不同。作者测试均值相等的假设，并使用自助法进行统计推断。如果p值小于5%，作者将拒绝均值相等的假设。

实证结果

本文的主要焦点是考察在机器学习模型框架中经济变量与情绪变量之间的差异。当单独测试经济变量和情绪变量时，统计和表现结果与被动投资组合基准的比较差异显著。而当这些变量结合在一起时，则观察到更优的结果。作者使用标准的24个月滚动回顾窗口，这被证明是最佳选择。LASSO技术解决了预测变量的协方差矩阵可能退化的问题。该技术有一个惩罚函数，用于消除不太重要的变量。此外，使用LASSO有效地克服了使用较短回顾期的普通最小二乘法（OLS）的局限性。

3.1 绩效结果的相关性

表2展示了三个矩阵，描述LASSO、Ridge和Elastic Net模型投资组合的表现回报与基准投资组合（标准普尔500指数，SPX1）1个月前回报之间的相关性。第一个矩阵是（1）组合变量的相关性结果，第二个显示（2）经济变量的相关性，第三个是（3）情绪变量的相关性。所有三个矩阵的第一列显示标准普尔500指数（SPX1）与机器学习投资组合之间没有回报相关性。相反，第二列和第三列显示每个矩阵中的机器学习投资组合回报（LASSO、Ridge和Elastic Net）彼此高度相关。此外，第三列显示Ridge和Elastic Net在所有投资组合回报中具有最高的相关性，分别为0.84（组合变量）、0.91（经济变量）和0.89（情绪变量）。观察这些结果是直观的，因为Elastic Net模型是LASSO和Ridge回归的加权平均。

3.2 市场下跌期间的预测误差

自2000年以来，标准普尔500指数（SPX）经历了六次主要市场下跌，幅度在-14.1%到-49.2%之间。机器学习投资组合最显著的特点之一是能够准确预测1个月后的SPX回报。表2展示了每个机器学习模型投资组合的预测误差，基于正确（错误）预测的数量。该表显示了2000年至2020年间市场经历连续下跌超过14%的六年。预测上涨（下跌）将决定每个模型投资组合的正（负）月回报。第一列代表年份，第二到第七列展示了预测误差的数量，第八和第九列则表示每年SPX的总上涨和下跌月回报。如果在上涨或下跌列中显示“0”（第二到第七列），则表示该年所有月份的预测均为准确。表3中预测误差最显著的方面是，当经济变量和情绪变量结合时，整体预测表现有了改善。在C面板中，仅代表情绪变量的预测误差，每个模型投资组合在预测上涨月份时表现更好，而在预测下跌月份时表现较差。在B面板中，经济变量的预测误差在预测SPX的下跌月份时表现更好。例如，情绪Ridge模型对SPX的33个下跌月份中错误预测了32个。相反，在B面板中（仅经济变量），同样的Ridge模型错误预测了SPX的33个下跌月份中的26个。在2001年，SPX的高峰到低谷市场下跌发生在2001年2月1日至2001年9月21日，期间SPX下跌了-29.7%。在A面板中，结合模型显示SPX有七个下跌月份。LASSO、Ridge和Elastic Net模型都准确预测了七个下跌月份中的三个。在接下来的年份中，SPX在2002年3月19日至2002年10月9日之间经历了33.6%的总下跌，总共八个下跌月份。结合模型LASSO、Ridge和Elastic Net，作者在此期间准确预测了四个、两个和两个下跌月份。在2003年1月14日至2003年3月11日期间，SPX在2个月内下跌了14.1%。在A面板中，所有三个结合模型均错误预测了这两个月。在2008年5月20日至2008年11月20日的金融危机期间，SPX的总下跌达到49.2%。在此期间，结合的LASSO模型仅错误预测了3个月，而Ridge和Elastic Net模型分别错误预测了8个月中的5个月。最后，在2020年，SPX经历了五次月度亏损，其中所有三个结合模型准确预测了五次月度下跌中的两次，包括2020年3月的-39.5%。

3.3 月度回报的表现和统计分析

与Mascio和Fabozzi（2019）以及Mascio等（2021）的结果一致，结合宏观经济变量和情绪变量的机器学习模型投资组合在表现上优于被动投资组合。表4展示了LASSO（Lass_port）、Ridge（Ridd_port）、Elastic Net（Elnet_port）和被动标准普尔500指数（SPX）的表现及汇总统计。在宏观经济变量和情绪变量单独存在的两种情况下，SPX投资组合的年回报和夏普比率及Sortino比率均较高。参考C面板，展示仅情绪变量的结果，Lass_port（4.59%）、Ridd_port（4.55%）和Elnet_port（4.29%）的年回报均比被动SPX投资组合（7.39%）低近3.00%。此外，机器学习投资组合的夏普比率（0.295）和Sortino比率（0.150）也低于被动指数（0.486，0.230）。然而，机器学习投资组合相对于被动投资组合的下行捕捉比率在70.56%和74.51%之间。B面板在隔离宏观经济变量时显示了类似的结果。机器学习变量相对于SPX的下行捕捉比率在62.88%和72.97%之间。总体而言，与宏观经济投资组合相比，情绪投资组合在牛市中表现较好，而在熊市条件下表现较差。表4的A面板展示了本研究的重点部分，即当宏观经济变量和情绪变量结合时。LASSO投资组合（Lass_port）在所有表现和风险测量类别中都是优越的策略。它具有所有投资组合中最高的年化回报（9.49%）、夏普比率（0.627）和Sortino比率（0.314），包括SPX（7.39%，0.481，0.229）。此外，LASSO的最大回撤为36.00%，而SPX的最大回撤超过52.50%。此外，Ridge和Elastic Net投资组合在表3的A面板中显示的所有统计类别中均优于标准普尔500指数。

3.4 机器学习投资组合与标准普尔500指数的CEQ

作者确定机器学习投资组合与被动标准普尔500指数（SPX）的风险调整回报在统计上是不同的。CEQ的结果证实了这一点。表5展示了每种机器学习策略（LASSO、Ridge和Elastic Net）与被动投资组合（SPX）的结果。每种策略的回报使用不同的风险厌恶水平（γ = 1,...,5）进行调整。在每个γ水平下，每个机器学习投资组合的CEQ均高于被动投资组合。例如，当γ = 5时，最高的风险厌恶水平，SPX的CEQ为0.0003，但LASSO（0.0017）、Ridge（0.0008）和Elastic Net（0.0014）的CEQ回报更高。LASSO投资组合在γ = 2时的最高CEQ为0.0046。为了确定每种策略的夏普比率是否与被动投资组合不同，作者遵循DeMiguel等（2009）的建议，观察每个CEQ的p值。如果p值小于或等于0.05，则夏普比率与SPX不同。LASSO投资组合的夏普比率在γ = 1,2,3时与SPX不同。当γ = 1,...,4时，Ridge策略的夏普比率与SPX不同。在所有γ水平下，Elastic Net投资组合的夏普比率与SPX不同。总体而言，CEQ的结果表明，每个机器学习投资组合的风险调整回报均优于标准普尔500指数。

3.5 经济变量与情绪变量的互补性

作者进一步探讨经济变量和情绪变量在商业周期中的表现。作者使用NBER的月度衰退指标来识别衰退（指标为1）和扩张（指标为0）。表6展示了仅依赖宏观经济或情绪变量，或将两者结合的LASSO基础策略的年化回报、标准差和夏普比率。市场状态基于NBER的月度衰退指标。A面板报告了无条件表现，B面板展示了扩张期间的表现，C面板显示了衰退期间的表现。在扩张期间，情绪变量未能增值。依赖宏观经济变量的策略提供了0.70的夏普比率，超过了情绪策略的0.56，以及同时使用宏观经济和情绪变量的策略的0.65。然而，任何策略均未能超越0.77 夏普比率的买入持有基准策略。

在衰退期间，依赖于宏观经济或情绪变量的策略表现不佳。宏观经济策略的夏普比率为-1.06，情绪策略的夏普比率为-0.85，均低于基准买入持有策略的-0.76。然而，基于这两类信息的综合信号则提供了0.47的夏普比率。这个发现令人瞩目，因为在投资者遭受显著股市损失时，表现得到了显著改善。

作者进一步研究经济变量和情绪变量在衰退早期和晚期的表现，遵循Blitz等（2011）的建议。作者重点关注2001年的危机和2008–2009年的全球金融危机这两次最大的衰退。表7展示了这两次衰退及其早期和晚期阶段的策略表现。

在衰退的早期阶段，经济变量和情绪变量各自对表现的改善作用较小。它们在全球金融危机晚期的结合表现则显著改善，产生了0.02的夏普比率，超过了标准普尔500指数的-1.61 夏普比率。尽管经济和情绪变量在衰退晚期的单独表现似乎不佳，但它们的结合结果优于单独结果。在2001年衰退的晚期，它们的夏普比率为0.89，超过了标准普尔500指数的-0.66 夏普比率；在全球金融危机晚期，它们的夏普比率为0.77，超过了标准普尔500指数的-0.85 夏普比率。这个发现表明，情绪变量中蕴含的信息在衰退晚期，尤其是在股市接近底部时特别有用。

结论

作者表明，结合宏观经济和情绪变量的机器学习技术能够带来更优的表现。宏观经济变量在市场扩张期间通常优于情绪变量，而在衰退期间则表现较差。这一规律解释了为什么在评估这两类变量的市场择时特征时，来自宏观经济和情绪变量文献中之前的研究结果往往不尽相同。宏观经济变量和情绪变量的综合表现特别强劲，尤其是在衰退晚期，股市接近底部时。作者的发现对于所选择的机器学习技术具有稳健性，并表明情绪和宏观经济信息是互补的，因此，投资者应共同考虑这两者。

文献来源：核心内容摘选自David A. Mascio1，Marat Molyboga， Frank J. Fabozzi 于2023年6月在《Journal of Forecasting》上发表的论文《The battle of the factors: Macroeconomic variables or investor sentiment?》。

文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。

本报告摘自华安证券2024年10月16日已发布的《【华安证券·金融工程】专题报告：择时因子之争：宏观经济变量还是投资者情绪？》，具体分析内容请详见报告。若因对报告的摘编等产生歧义，应以报告发布当日的完整内容为准。