看机器学习如何预测债券收益率

用机器学习预测股票收益率的工作已经屡见不鲜，并有了非常不错的结果，如 《当实证资产定价遇上机器学习》。那么，能不能把同样的方法运用到债券中呢？2020年在 Review of Financial Studies上的“ Bond Risk Premiums with Machine Learning”一文，就使用机器学习方法对债券超额收益率进行了预测。该文作者是伦敦大学玛丽王后学院（Queen Mary, University of London）的Daniele Bianchi、华威大学的Matthias Büchner和罗格斯大学商学院（Rutgers Business School）的 Andrea Tamoni。

1 研究设计

1.1 实验框架

该文做了两个实验：

1. 使用收益率曲线数据（即在当前时间的1-10年到期的零息债券的年化到期收益率，共10个），预测某一到期时间的债券在未来一年的超额收益率（即价格涨幅减去无风险利率）；

2. 在收益率曲线基础上，再用上128个宏观变量，再进行一样的预测。这些宏观变量分为了几组：真实产出和收入，就业和工作时间，零售业、制造业销售数据，国际贸易，消费者支出，住房建造，存货和存货销售率，订单和未履行订单，薪酬和劳动力成本，价格指数，利率和利差，股指，外汇测度。

数据集来自（Liu和Wu，2020）的零息债券收益率曲线。该数据集是日频，构造了每一时间点的1-360个月到期的零息债券的年化到期收益率。

按过去数据的85%和15%划分训练集和验证集（按时间序列顺序），测试集是未来一年的超额收益率。每次测试后，训练集和验证集整体递归地向前扩大一个月，并保持二者比例不变，保持测试集长度为一年。整个数据集时间为1971.08到2018.12（美国的10年到期债券从1971.9开始发行），从1990.1开始进行第一次测试。示意图如下：

对于每次测试，记录预测的结果，在最后计算样本外$R^2$：
$$R_{\text{OOS}}^2=1-\frac{{\sum }_{t_0=}}{{\sum }_{t_0=1}^{T-1}\left(x{r}_{t+1}^{(n)}-{\overline{xr}}_{t+1}^{(n)}\right)}$$