日前，金融学院姜富伟教授合著论文“Are Bond Returns Predictable with Real-Time Macro Data?”（实时宏观数据能预测债券收益吗？）在计量经济学国际顶级期刊Journal of Econometrics在线发表。

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。

该项研究理论上验证了弱因子数据结构会严重弱化经典SUFF模型的预测性能，由此创新性的提出了一种全新的缩放充分预测法sSUFF模型，证明了弱因子环境下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，sSUFF被设计用来解决与弱因子相关问题的同时，针对强因子数据结构，它的预测性能也是稳健的。实证上，研究发现基于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，经过与PCA, sPCA, PLS和SUFF等机器学习方法对比，sSUFF预测能力提升不受收益率曲线建模方式的影响，且基于sSUFF的债券预测产生非常可观的市场择时策略效益。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；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。