Forecasting the equity risk premium with frequency-decomposed predictors

Abstract

We show that the out-of-sample forecast of the equity risk premium can be signi ficantly improved by taking into account the frequency-domain relationship between the equity risk premium and several potential predictors. We consider fi fteen predictors from the existing literature, for the out-of-sample forecasting period from January 1990 to December 2014. The best result achieved for individual predictors is a monthly out-of-sample R2 of 2.98 % and utility gains of 549 basis points per year for a mean-variance investor. This performance is improved even further when the individual forecasts from the frequency-decomposed predictors are combined. These results are robust for di fferent subsamples, including the Great Moderation period, the Great Financial Crisis period and, more generically, periods of bad, normal and good economic growth. The strong and robust performance of this method comes from its ability to disentangle the information aggregated in the original time series of each variable, which allows to isolate the frequencies of the predictors with the highest predictive power from the noisy parts.

​Tässä työssä tarkastellaan osakemarkkinoiden riskipreemion ennustamista. Empiirisessä analyysissa osoitetaan, että riskipreemion otoksen ulkopuolisia ennusteita voidaan parantaa merkittävästi, kun ennusteissa otetaan huomioon osakemarkkinoiden riskipreemion ja mahdollisten ennustemuuttujien välinen taajuusalueen riippuvuus. Työssä tarkastellaan viittätoista taustakirjallisuudesta poimittua ennustemuuttujaa otoksen ulkopuolista ennustamista varten. Ennusteperiodi on tammikuusta 1990 joulukuuhun 2014. Paras tulos yksittäisten ennustemuuttujien tapauksessa on 2,98 prosentin kuukausitason otoksen ulkopuolinen selitysaste sekä 549 peruspisteen vuotuinen hyödyn kasvu investoijalle, jonka sijoituspäätökset perustuvat odotetun tuoton ja riskin väliseen kompromissiin. Ennusteet paranevat entisestään, kun yksittäisissä ennusteissa käytettyjen ennustemuuttujien taajuuskomponentit yhdistetään. Tulokset eivät muutu, vaikka otosperiodia muutetaan suuren vakautumisen ajoista suureen rahoituskriisin aikaan tai yleisemmin heikon talouskasvun ajoista normaaliin ja nopeutuneen kasvun aikaan. Menetelmän hyvä ja vakaa suorituskyky perustuu siihen, että se kykenee paloittelemaan jokaisen muuttujan alkuperäiseen aikasarjaan upotettua informaatiota, minkä ansiosta ennustemuuttujien suurimman ennustevoiman taajuudet voidaan eristää kohinasta.