Forecasting Crude Oil Prices With A Large Set of Predictors Can LASSO Select Powerful Predictors

Machine Translated by Google
Jurnal Keuangan Empiris 54 (2019) 97–117
Daftar isi tersedia di ScienceDirect
Jurnal Keuangan Empiris

beranda jurnal: www.elsevier.com/loc/jempfin
Memperkirakan harga minyak mentah dengan sejumlah besar

prediktor: Bisakah LASSO memilih prediktor yang kuat?ÿ
A
Yaojie Zhang a, Feng Ma b,ÿ, Yudong Wang Sekolah
Ekonomi dan Manajemen, Universitas Sains dan Teknologi Nanjing, Nanjing, Tiongkok b Sekolah Ekonomi dan
Manajemen, Universitas Jiaotong Barat Daya, Chengdu, Tiongkok
INFO PASAL ABSTRAK
Klasifikasi JEL: Dalam makalah ini, kami menggunakan dua metode penyusutan yang umum digunakan, yaitu
Bab 32
metode laso dan jaring elastis, untuk memprediksi return harga minyak dengan sejumlah
Bab 53
besar prediktor. Hasil di luar sampel menunjukkan bahwa model laso dan jaring elastis
Q47
mengungguli sejumlah model pesaing yang banyak digunakan dalam hal R-kuadrat di luar
G17
sampel dan rasio keberhasilan. Dalam pelaksanaan alokasi aset, investor mean-variance
Kata kunci: memperoleh keuntungan ekonomi yang positif dan cukup besar berdasarkan prakiraan imbal
Prediktabilitas harga minyak
hasil metode laso dan metode jaring elastis relatif terhadap prakiraan acuan dan prakiraan
Perkiraan di luar sampel
Laso
pesaing. Kami menyelidiki lebih lanjut sumber prediktabilitas dari perspektif pemilihan variabel.
Jaring elastis Metode laso dan jaring elastis ditemukan untuk memilih prediktor yang kuat dan dapat
Pemilihan variabel memberikan informasi pelengkap. Model regresi OLS berdasarkan prediktor yang dipilih juga
menunjukkan kinerja di luar sampel yang lebih baik dibandingkan model pesaing. Selain itu, hasil kami kuat
1. Perkenalan
Perkiraan harga minyak mentah yang andal dan akurat merupakan hal yang menarik untuk diterapkan dalam berbagai bidang (lihat
Alquist dkk., 2013)). Di satu sisi, perubahan dan guncangan harga minyak mempunyai dampak penting terhadap pasar keuangan dan
perekonomian riil (lihat, misalnya, Kilian dan Park, 2009; Hou et al., 2016; Kilian dan Vigfusson, 2017). Oleh karena itu, bank sentral dan
pemerintah memandang harga minyak sebagai salah satu variabel kunci dalam menilai risiko makroekonomi dan dalam menghasilkan
proyeksi makroekonomi. Di sisi lain, beberapa sektor perekonomian bergantung langsung pada perkiraan harga minyak untuk bisnisnya.
Selain itu, investor dan manajer portofolio biasanya mengalokasikan aset mereka berdasarkan perkiraan harga minyak. Mengingat
pentingnya dan kegunaan prediksi harga minyak, semakin banyak penelitian akademis yang menyelidiki prediktabilitas harga minyak.1
Dalam tulisan ini, kami menggunakan metodologi ekonometrik yang umum, yaitu operator penyusutan dan seleksi absolut terkecil
(LASSO), untuk memprediksi keuntungan harga minyak. Secara khusus, konsisten dengan Elliott dkk. (2013), Li dkk. (2015), dan Li dan
Tsiakas (2017), antara lain, kami mempertimbangkan dua pendekatan LASSO yang paling populer dan sederhana: laso asli,2 dari Tibshirani (1996) d
ÿ
Para penulis berterima kasih kepada editor dan pemberi referensi anonim atas komentar mendalam yang secara signifikan meningkatkan makalah ini. Feng Ma mengakui dukungan dari
Natural Science Foundation of China [71671145, 71701170], Humanities and Social Science Fund of the Ministry of Education [17YJC790105, 17XJCZH002], dan Fundamental Research Funds
untuk universitas pusat [682017WCX01, 2682018WXTD05]. Yudong Wang mengakui dukungan finansial dari National Science Foundation of China [71501095 71722015].
,
ÿ
Korespondensi ke: Sekolah Ekonomi dan Manajemen, Universitas Jiaotong Barat Daya, No. 111, Bagian 1 Utara, Lingkar 2
Jalan, Chengdu 610031, Cina.
Alamat email: yaojie_zhang@126.com (Y.Zhang), mafeng2016@swjtu.edu.cn (F.Ma), wangyudongnj@126.com (Y.Wang).
1 Lihat Kilian (2009), Baumeister dan Kilian (2012, 2014, 2015), Baumeister dkk. (2014), Baumeister dkk. (2015), Wang dkk. (2015), Drachal (2016), Naser (2016), Yin dan Yang (2016),
Baumeister dkk. (2017), Wang dkk. (2017), Zhang dkk. (2018) sebagai contoh. Alquist dkk. (2013) memberikan survei literatur mengenai peramalan harga minyak.
2 Dalam makalah ini ''LASSO'' mewakili konsep umum (yaitu, semua jenis metode terkait), sedangkan ''lasso'' secara khusus mengacu pada metode yang diusulkan oleh Tibshirani (1996).
https://doi.org/10.1016/j.jempfin.2019.08.007 Diterima
pada 2 Januari 2019; Diterima dalam bentuk revisi 2 Agustus 2019; Diterima 29 Agustus 2019 Tersedia online 5
September 2019 0927-5398/© 2019 Elsevier
BV Hak cipta dilindungi undang-undang.
Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117
net dari Zou dan Hastie (2005).3 Kami memiliki dua motivasi untuk menggunakan LASSO. Yang pertama didasarkan pada perspektif ekonomi mengingat perolehan
informasi dan pemrosesan informasi selalu mahal sehingga menyebabkan kurangnya perhatian rasional (lihat, misalnya, Sims, 2003; Gabaix et al., 2006; Abel et
al., 2013; Luo dan Young , 2016). Sejalan dengan itu, Huang dan Liu (2007) mengemukakan bahwa perolehan informasi yang mahal menyebabkan investor rasional
hanya fokus pada berita ekonomi penting. Gabaix (2014) mengusulkan model berbasis ketersebaran di mana pengambil keputusan membangun representasi
dunia yang disederhanakan secara optimal berdasarkan informasi paling penting karena terbatasnya kapasitas pemrosesan informasi. Sebagai akibat dari
kurangnya perhatian rasional, kami berasumsi bahwa investor rasional hanya fokus pada prediktor yang paling kuat dan mengabaikan sisanya. Mengingat
motivasi ini, LASSO diterapkan untuk memilih prediktor kuat yang berisi informasi berguna untuk memperkirakan harga minyak di masa depan. Lebih khusus
lagi, LASSO dapat menetapkan koefisien regresi dari prediktor yang relatif tidak berguna menjadi nol dengan menerapkan penalti 1 , yang sesuai dengan
terbatasnya kapasitas pemrosesan informasi.
Motivasi kedua didasarkan pada perspektif statistik. Jika beberapa prediktor kuat sangat berkorelasi, LASSO cenderung memilih salah satu dan membuang
sisanya, sehingga mengatasi masalah over-fitting. Di sisi lain, sebagai metode penyusutan berkelanjutan, LASSO biasanya meningkatkan akurasi prediksi karena
adanya tradeoff bias-varians (lihat, misalnya, Tibshirani, 1996; Zou dan Hastie, 2005; Zou, 2006; Li dan Tsiakas, 2017) . Secara khusus, estimasi kuadrat terkecil
biasa (OLS) tidak bias namun memiliki varian yang besar, sedangkan estimasi LASSO mengorbankan beberapa bias untuk mengurangi varians, sehingga
meningkatkan akurasi prediksi secara keseluruhan.
Makalah ini menyelidiki prediktabilitas harga minyak model jaring elastis dan laso dengan sejumlah besar prediktor yang terdiri dari 14 variabel makroekonomi
dan 18 indikator teknikal. Selain model jaring elastis dan laso, kami mempertimbangkan sejumlah model pesaing yang populer, termasuk regresi ridge (Hoerl dan
Kennard, 1970), regresi komponen utama (PC) (lihat, misalnya, Ludvigson dan Ng, 2007, 2009; Neely et al., 2014), regresi kuadrat terkecil parsial (PLS) (Kelly dan
Pruitt, 2013, 2015), pendekatan kombinasi (lihat, misalnya, Rapach et al., 2010; Lin et al., 2018), dan rata-rata model dinamis (Raftery et al., 2010; Koop dan
Korobilis, 2012), yang semuanya banyak digunakan di lingkungan yang kaya data seperti kita.
Bukti di luar sampel kami menunjukkan bahwa model jaring elastis dan laso tidak hanya mengungguli tolok ukur historis 2 dan rasio keberhasilan. perkiraan
perubahan tetapi juga mengungguli model pesaing dalam hal out-of-sample. Selain itu, pengujian yang mencakup perkiraan rata-rata dan tidak ada
menunjukkan bahwa informasi yang terkandung dalam perkiraan LASSO (termasuk perkiraan jaring elastis dan laso) mendominasi informasi yang ditemukan
dalam perkiraan perkiraan berdasarkan pesaing populer. Artinya, prakiraan LASSO memberikan informasi yang berguna untuk meramalkan keuntungan harga
minyak di luar informasi yang sudah terkandung dalam prakiraan berdasarkan model pesaing.
Karena LASSO dapat diperlakukan sebagai batasan statistik khusus, kami menerapkan batasan ekonomi (yaitu batasan perkiraan positif) yang diusulkan oleh
Campbell dan Thompson (2008) pada perkiraan LASSO, yang, bagaimanapun, menghasilkan perkiraan out-of-sample yang relatif buruk. pertunjukan. Hal ini
menunjukkan bahwa model jaring elastis dan model laso dapat menghasilkan perkiraan keuntungan minyak yang akurat, bahkan mungkin negatif.4 Selain itu,
kami menemukan hubungan erat antara sentimen pasar saham dan prediktabilitas harga minyak. Prediktabilitas harga minyak menjadi lebih tinggi pada periode
sentimen tinggi dibandingkan periode sentimen rendah karena pedagang yang didorong oleh sentimen biasanya tidak rasional dan mengakibatkan kesalahan
penetapan harga. Selain itu, kami memberikan bukti yang meyakinkan bahwa hasil kami kuat untuk berbagai pengaturan seperti berbagai algoritma estimasi
parameter LASSO, model benchmark alternatif, ukuran jendela perkiraan yang berbeda, proksi alternatif harga minyak, penggunaan harga riil atau nominal, dan
lingkungan alternatif yang kaya data.
Pemeriksaan ketahanan ini mengurangi kekhawatiran akan penambangan data.
Dalam makalah ini, kami juga mengukur nilai ekonomi prediktabilitas harga minyak dari jaring elastis dan laso dari perspektif alokasi aset. Kami menemukan
bahwa investor mean-variance yang menggunakan perkiraan imbal hasil berdasarkan jaring elastis dan laso untuk mengalokasikan antara kontrak berjangka
minyak dan surat utang bebas risiko dapat merealisasikan keuntungan kepastian setara pengembalian positif (CER). Sebaliknya, model pesaing selalu memberikan
perolehan CER negatif. Selain itu, investor memperoleh rasio Sharpe yang tinggi ketika menggunakan perkiraan jaring elastis dan laso dibandingkan dengan
perkiraan pesaing.
Kami selanjutnya memberikan wawasan tentang peran pemilihan variabel untuk jaring elastis dan laso. Prediktor, yang koefisien LASSO-nya bukan nol, dapat
diperlakukan sebagai prediktor yang dipilih oleh LASSO. Kami menemukan bahwa ukuran model (yaitu, jumlah prediktor yang dipilih) dari jaring elastis dan laso
biasanya kurang dari sepuluh prediktor selama periode di luar sampel, menunjukkan kelangkaan metode jaring elastis dan laso. Selain itu, prediktor yang dipilih
ternyata memiliki kemampuan prediksi yang kuat atau memberikan informasi pelengkap di luar apa yang sudah terkandung dalam prediktor kuat tersebut. Selain
itu, kami mengamati momentum pemilihan variabel, di mana prediktor yang dipilih oleh LASSO selama periode terakhir cenderung dipilih lagi dalam waktu dekat.
Untuk menyelidiki lebih lanjut peran pemilihan variabel, kami menggunakan estimasi OLS untuk menggantikan estimasi LASSO untuk koefisien prediktor
yang dipilih. Hasilnya menunjukkan bahwa model regresi OLS berdasarkan prediktor yang dipilih oleh jaring elastis dan laso masih menunjukkan kinerja
peramalan di luar sampel yang lebih baik dibandingkan model pesaing. Kami juga menemukan bahwa jaring elastis dan laso dengan jumlah prediktor terpilih
yang tetap menghasilkan kinerja di luar sampel yang dapat diterima. Ringkasnya, jaring elastis dan laso dapat secara pelit memilih prediktor yang kuat, sehingga
berkontribusi pada peningkatan prediktabilitas harga minyak baik dari sudut pandang statistik maupun ekonomi.
3 Ada semakin banyak ekstensi LASSO, seperti LASSO adaptif dari Zou (2006), LASSO gabungan dari Tibshirani dkk. (2005), kelompok LASSO dari Yuan dan Lin (2006), LASSO hierarki dari
Bien dkk. (2013), dan LASSO pesanan Tibshirani dan Suo (2016), antara lain. Mengingat hal ini, kita mungkin dengan sengaja memilih metode LASSO dengan kinerja peramalan out-of-sampel yang
unggul dan melaporkan hasilnya sambil mengabaikan metode LASSO lain dengan kinerja prediksi yang relatif buruk. Selain itu, kinerja perkiraan superior yang dilaporkan mungkin tidak dikaitkan
dengan fitur LASSO, sehingga mengakibatkan masalah penambangan data. Untuk mengatasi masalah ini, kami mengikuti studi terkait untuk hanya mempertimbangkan dua pendekatan LASSO
yang paling banyak digunakan, yaitu jaring elastis dan laso.
4
Sebaliknya, Campbell dan Thompson (2008) menetapkan perkiraan return saham negatif berdasarkan prediktor individu menjadi nol dan memperoleh hasil yang relatif baik.
kinerja perkiraan di luar sampel.
98
Makalah kami terkait dengan penelitian Li et al. (2015) dan Li dan Tsiakas (2017). Namun, makalah kami menyediakan dua tambahan
kontribusi besar. Pertama, kami fokus pada prediktabilitas harga minyak, sementara Li dkk. (2015) dan Li dan Tsiakas (2017) menyelidiki
prediktabilitas nilai tukar dan return saham, masing-masing. Selain itu, kami memberikan beberapa analisis tambahan seperti perkiraan
meliputi pengujian dan pengujian di luar sampel untuk jaring elastis dan laso dengan sejumlah prediktor terpilih, yang juga
memberikan hasil yang mendalam. Selain itu, kami menggunakan algoritma yang relatif efisien untuk memperkirakan parameter LASSO, sehingga menghasilkan akurasi
perkiraan dengan waktu komputasi yang jauh lebih singkat.5
Kedua dan yang lebih penting, kami memberikan wawasan mengenai peran seleksi variabel, namun diabaikan oleh Li et al.
(2015) dan Li dan Tsiakas (2017). Li dkk. (2015) dan Li dan Tsiakas (2017) merekomendasikan tidak hanya jaring elastis dan laso tetapi juga
metode yang serupa adalah regresi ridge, sedangkan kami menganggap regresi ridge sebagai pesaing dan dengan demikian hanya merekomendasikan yang elastis
jaring dan laso. Hal ini karena regresi ridge menggunakan penalti 2 yang hanya mengecilkan koefisien menjadi nol tetapi tidak pernah menetapkannya menjadi nol
tepat. Sebaliknya, karena laso menggunakan penalti 1 dan jaring elastis menggunakan penalti 1 dan penalti 2 , maka koefisiennya
dari prediktor yang tidak dipilih disetel ke nol dengan tepat. Selain itu, koefisien ridge dari prediktor yang berkorelasi menyusut ke arah masing-masing prediktor
lainnya, sedangkan jaring elastis dan laso cenderung memilih satu dan mengabaikan prediktor berkorelasi lainnya. Untuk motivasi ini, kami
menyelidiki secara rinci peran pemilihan variabel untuk jaring elastis dan laso.
Sisa makalah ini disusun sebagai berikut. Bagian 2 menyajikan metodologi ekonometrik. Bagian 3 menjelaskan kami
data. Bagian 4 menyajikan hasil dan pembahasan empiris di luar sampel. Di Bagian 5, kami menyajikan pemeriksaan ketahanan. Bagian 6
melaporkan hasil analisis alokasi aset. Akhirnya, Bagian 7 menyimpulkan.
2. Metodologi
2.1. LASO
Operator penyusutan dan seleksi absolut terkecil (LASSO) adalah metodologi ekonometrik yang berlaku di bidang ekonomi dan keuangan
peramalan. Berdasarkan studi terkait (lihat, misalnya, Elliott et al., 2013; Li et al., 2015; Li dan Tsiakas, 2017), kami mempertimbangkan dua dari
pendekatan LASSO yang paling populer dan sederhana, yaitu laso asli Tibshirani (1996) dan jaring elastis Zou dan Hastie
(2005). Secara statistik, perkiraan keuntungan harga minyak dinyatakan sebagai
ÿ ÿ
ÿ
=
+1 0+ÿ , , (1)
=1
Di mana
ÿ ÿ1 ÿ
ÿ
1 - | |
= argmin
ÿ
ÿ 0 ÿÿ | |
ÿ
, (2)
ÿ
2(ÿ1) ÿ
ÿ =1 ( +1 =1 , )2 + ÿ =1
ÿ
ÿ
+1 adalah log return harga minyak pada bulan +1 , , menunjukkan prediktor ke-i yang tersedia pada bulan t, adalah penduga penyusutan
koefisien regresi pada laso, yang diperkirakan berdasarkan data yang tersedia hingga bulan t, dan merupakan regularisasi nonnegatif
parameter yang berfungsi sebagai fungsi penalti dari . Setara dengan itu, Persamaan. (2) dapat juga ditulis sebagai penduga kuadrat terkecil biasa (OLS).
ÿ1
ÿ
1 -
= argmin 0 ÿÿ (3)
2 ÿ
=1 ( +1 =1 , )2
dengan fungsi penalti 1 dari
| | <
ÿ | | , (4)
=1
dimana parameter mengontrol jumlah penyusutan, memainkan peran yang sama seperti . Karena batasannya tidak mengikat
nilai ( ) yang cukup besar (kecil), estimator laso direduksi menjadi estimator OLS. Kendalanya tidak linier karena
operator nilai absolut | ÿ |, dan oleh karena itu, solusi bentuk tertutup dari penduga koefisien tidak tersedia.
Sebaliknya, perkiraan elastis bersih juga dihitung dengan Persamaan. (1), sedangkan koefisien regresi yang sesuai diperkirakan
sebagai
ÿ ÿ1 ÿ
ÿ
1 - 2 |
= argmin
ÿ
0 ÿÿ ( (1 ÿ ) +| | |) ,
ÿ
(5)
ÿ
ÿ
2(ÿ1) ÿ
ÿ =1 ( +1 =1 , )2 + ÿ =1
ÿ
dimana adalah konstanta positif antara 0 dan 1. Khususnya, jaring elastis tereduksi menjadi laso ketika = 1, dan jaring elastis
net mendekati regresi ridge ketika menyusut menuju 0. Oleh karena itu, jelas bahwa jaring elastis memperkenalkan keduanya dan 1
2 hukuman.
Saat menggunakan laso dan jaring elastis untuk memperkirakan keuntungan minyak pada bulan +1 , kita harus mendapatkan perkiraan optimal terlebih dahulu
dari dan menggunakan data hingga t. Validasi silang mungkin merupakan kriteria paling umum untuk menentukan penyusutan LASSO
faktor dan (lihat, misalnya, Li et al., 2015; Li dan Tsiakas, 2017). Dalam penelitian ini, kami mengusulkan estimasi serupa namun lebih efisien
algoritma untuk menentukan faktor penyusutan LASSO. Khususnya, ketika kita menggunakan laso dan jaring elastis untuk menghasilkan pengembalian minyak
perkiraan pada bulan + 1, algoritma estimasi kami melibatkan langkah-langkah berikut.
5 Lihat Lampiran Internet untuk rincian lebih lanjut tentang perbandingan algoritma estimasi.
99
1. Diberikan himpunan nilai awal dan 6

, katakan ( (1), (1) ), selanjutnya kami membagi periode estimasi (yaitu periode dari bulan
1 hingga t) menjadi periode estimasi ''dalam sampel'' dan periode evaluasi ''di luar sampel''.7
ÿ
2. Kami memperkirakan koefisien regresi jaring laso dan elastis dengan menyelesaikan masalah optimasi Persamaan. (2) dan (5),
(1) dan koefisien
masing-masing, menggunakan data ''dalam sampel'' dari bulan 1 hingga j ( < ) dengan = . Estimasi = (1) yang digunakan
pada langkah ini didasarkan pada algoritma metode pengali arah bolak-balik (ADMM) (Boyd et al., 2011).
ÿ
3. Kami menggunakan koefisien estimasi untuk menghasilkan perkiraan ''di luar sampel'' dari bulan + 1 hingga t dan kemudian menghitung meannya
kesalahan prediksi kuadrat (MSPE) berdasarkan perkiraan ini, yang bergantung pada ( 1) , (1) ).
4. Kami mengulangi langkah 1 hingga 3 dengan nilai yang berbeda , katakan ( (2), (2) ), ( (3) , (3) ), …, dan pilih kombinasi optimal (ÿ , ÿ)
dan menghasilkan nilai MSPE terendah.
ÿ
5. Mengingat (ÿ , ÿ), kami menerapkan algoritma ADMM untuk memperkirakan koefisien regresi menggunakan semua data secara keseluruhan
periode estimasi dari bulan 1 sampai t, bukan hanya bagian ''dalam sampel'' dari bulan 1 sampai j.
2.2. Model yang bersaing
Kami memperkenalkan sejumlah model yang bersaing, termasuk regresi ridge, pendekatan komponen utama (PC), kuadrat terkecil parsial
(PLS), pendekatan kombinasi, dan model rata-rata dinamis (DMA), antara lain. Fitur yang menonjol dari semuanya
model yang dipilih adalah bahwa model tersebut terbukti menunjukkan kemampuan prediksi di luar sampel yang kuat dalam lingkungan yang kaya data.
2.2.1. Regresi punggung bukit

Regresi ridge dimulai oleh Hoerl dan Kennard (1970) dan dapat dianggap sebagai kasus khusus dari jaring elastis. Itu
perkiraan punggungan dihitung seperti pada Persamaan. (1), sedangkan regresi ridge mengatasi masalah multikolinearitas dengan memperkirakan regresi
koefisien menggunakan
ÿ
' ÿ1ÿ
=( +) , (6)
dimana X menunjukkan matriks ( ÿ 1) × (+ 1) dari suku konstan dan N prediktor individual dari bulan 1 hingga bulan ÿ 1, =
' '
( 1 , … , ÿ1) , R menyatakan vektor keuntungan minyak sebagai = ( 2 , … , ) , k adalah parameter ridge, dan I adalah matriks identitas. Kecil
nilai positif k mengurangi varians estimasi. Meskipun bias, berkurangnya variansi perkiraan punggungan umumnya mengarah pada a
kesalahan kuadrat rata-rata yang lebih kecil jika dibandingkan dengan perkiraan OLS. Dalam penelitian ini, kami menggunakan algoritma yang diusulkan oleh Hoerl et al. (1975)
untuk menentukan nilai parameter biasing k.
2.2.2. Regresi PC
Regresi prediktif berdasarkan komponen utama (PC) dinyatakan sebagai
= (7)
+1 0+ÿ , + +1,
=1
ÿ
dimana menandakan komponen utama yang diekstraksi dari = ( 1, , …, . Komponen utama secara pelit
'
, ,)
menggabungkan informasi dari sejumlah besar prediktor potensial dalam regresi prediktif. Beberapa komponen utama pertama diidentifikasi
pergerakan bersama yang penting di antara seluruh rangkaian prediktor, sehingga menyaring sebagian besar gangguan dalam masing-masing prediktor dan dengan demikian
2
menjaga agar tidak terjadi over-fitting dalam sampel. Mengikuti Neely dkk. (2014), kami memilih nilai K dengan penyesuaian. Dalam .
analisis di luar sampel, kami menghasilkan perkiraan untuk bulan + 1 sebagai
ÿ ÿÿ
ÿ
+1
= , (8)
0+ÿ ,
=1
ÿ
di mana koefisien regresi komponen utama K pertama diperkirakan menggunakan data yang tersedia hingga bulan t.
2.2.3. Regresi PLS

Kelly dan Pruitt (2013, 2015) mengusulkan pendekatan PLS yang baru. Semakin banyak penelitian (misalnya, Huang et al., 2015; Lin, 2018;
Stivers, 2018) memberikan bukti bahwa indeks yang dibangun dengan metode PLS menunjukkan kekuatan prediksi di luar sampel yang kuat.
Mempertimbangkan hal ini, kami menggunakan pendekatan PLS untuk membangun indeks yang selaras berdasarkan seluruh prediktor potensial untuk memprediksi minyak di masa depan
kembali. Perkiraan PLS dapat diperoleh dengan tiga langkah berikut. Pada langkah pertama, kita menjalankan N regresi deret waktu. Lagi
kami
khususnya, untuk masing-masing prediktor individu dalam { } ÿ1 pada menjalankan regresi
pengembalian deret waktu
minyak ,
yang=1,konstan dan terealisasi
,
= ++ ,0 (9)
, ÿ1 , ÿ1,
6 Sehubungan dengan laso, selalu sama dengan 1.

7 Data ''di luar sampel'' mencakup sekitar 40% observasi. Dalam pemeriksaan ketahanan di bawah ini, kami mempertimbangkan sampel lain yang masuk akal
ukuran. Selain itu, perhatikan bahwa apa yang disebut periode ''dalam sampel'' dan periode ''di luar sampel'' didasarkan pada periode estimasi, bukan seluruh periode sampel.
Dengan kata lain, kami hanya menggunakan data dari bulan 1 hingga t untuk memvalidasi faktor penyusutan dan saat membuat perkiraan pengembalian minyak pada bulan +1 .
menjamin bahwa prakiraan kami yang berbasis LASSO tidak memiliki bias ke depan.
100
di mana adalah pemuatan yang menangkap sensitivitas masing-masing prediktor , ÿ1 menjadi penggerak sejati yang diinstrumentasi oleh minyak masa depan
kembali . 8
Pada langkah kedua, kami menjalankan regresi T cross-sectional. Khususnya, untuk setiap periode waktu t, kami menjalankan regresi cross-sectional
dari pada konstanta dan pembebanan yang sesuai diperkirakan dalam regresi (9),
,
,
=+ + , , (10)
dimana koefisien regresi adalah indeks selaras yang diekstraksi dari N prediktor individu menggunakan PLS. ÿ
PLS diperkirakan pada (10),

Pada langkah ketiga, kami menghasilkan perkiraan pengembalian ÿ +1 dengan melakukan regresi pada konstanta dan indeks ÿ1
ÿ
= 0+ +. (11)
ÿ1
2.2.4. Pendekatan kombinasi

Pendekatan kombinasi secara konsisten dapat memberikan keuntungan perkiraan yang signifikan dibandingkan dengan rata-rata historis dari waktu ke waktu (lihat
Rapach dkk., 2010). Mengingat hal ini, kami selanjutnya membandingkan prakiraan LASSO dengan prakiraan kombinasi, yang dapat dihitung sebagai berikut
rata-rata tertimbang dari N perkiraan individu,
ÿ ÿ
, +1 =ÿ , , +1, (12)
=1
dimana , +1 menunjukkan perkiraan kombinasi pada bulan + 1, ÿ , +1 adalah perkiraan individu ke-i yang dihasilkan dengan regresi +1
pada suatu
ÿ konstan dan prediktor individual ke-i , , Dan , yang menunjukkan bobot gabungan ex-ante dari perkiraan individu ke-i yang dibentuk pada
T.
Mengikuti Rapach dkk. (2010) dan Zhu dan Zhu (2013), kami menggunakan lima pendekatan kombinasi yang umum, yaitu mean,
metode kombinasi median, rata-rata terpangkas, dan dua diskonto prediksi kesalahan kuadrat rata-rata (DMSPE). Kombinasi yang berarti
perkiraan dihitung sebagai rata-rata tertimbang yang sama dari N perkiraan individu, {ÿ , +1}
Perkiraan kombinasi median yang diperlukan
=1.
nilai median {ÿ = 0 untuk yang =1. Ramalan rata-rata terpangkas dapat diperlakukan sebagai ramalan rata-rata khusus, yang mana
, +1}terbesar ,
dan prakiraan individual terkecil dalam {ÿ = 1ÿ(
, +1}
Danprakiraan
ÿ 2) untuk , individual lainnya. Bobot gabungan dari
=1
DMSPE untuk perkiraan individu i pada bulan t dinyatakan sebagai
= ÿ1 ÿ1
, ,
, (13)
, /ÿ
=1
Di mana
, =ÿ ÿ(ÿ , )2 , (14)
= +1
m adalah panjang periode sampel pelatihan awal, dan menunjukkan faktor diskon. Mengikuti Rapach dkk. (2010) dan Zhu dan
Zhu (2013), kami mempertimbangkan dua nilai, yaitu 1 dan 0,9, dan karenanya, dua metode DMSPE, DMSPE(1) dan DMSPE(0.9),
digunakan dalam penelitian ini.
2.2.5. Rata-rata model dinamis

Rata-rata model dinamis (DMA) dianggap sebagai metode penggabungan tingkat lanjut yang dipelopori oleh Raftery et al. (2010) dan
dikembangkan lebih lanjut oleh Koop dan Korobilis (2012). Kekuatan utama DMA adalah bahwa ia tidak hanya memungkinkan koefisien prediktor untuk melakukan hal tersebut
berubah seiring waktu tetapi juga memungkinkan model regresi potensial berubah seiring waktu. Baru-baru ini, Drachal (2016) dan Naser (2016)
memberikan bukti bahwa DMA menghasilkan perkiraan harga minyak yang lebih akurat dibandingkan model perkiraan individual. Jadi, kami menangani DMA
sebagai model pesaing.
Dengan adanya N prediktor, DMA mempertimbangkan 2 kemungkinan kombinasi regresi prediktif untuk setiap bulan t. Metode
menghitung probabilitas untuk setiap model regresi prediktif, yang dilakukan dengan metode penyaringan Kalman. DMA kemudian menggunakan
perkiraan probabilitas sebagai bobot model untuk menghasilkan perkiraan kombinasi pada bulan t, sedangkan metode lain disebut dinamis
pemilihan model (DMS) memilih model regresi prediktif dengan probabilitas tertinggi. Demi singkatnya, pembaca adalah
mengacu pada Raftery dkk. (2010) dan Koop dan Korobilis (2012) untuk rincian lebih lanjut mengenai proses DMA.
Meskipun metode pemfilteran Kalman membantu DMA dan DMS mencapai peningkatan besar dalam efisiensi komputasi secara real-time
prediksi, beban komputasi yang besar masih ada karena banyaknya prediktor yang digunakan dalam penelitian ini. Lebih spesifik,
kami memiliki sejumlah besar ( = 32) prediktor, sehingga kami harus menjalankan 232 model regresi individual saat menggunakan semua
tiga puluh dua prediktor, yang sangat tidak layak secara komputasi. Jadi, dalam makalah ini, kami menggunakan bentuk DMA tereduksi, yang mana
kami hanya mempertimbangkan model regresi prediktif dengan prediktor hingga K (K < N) daripada model regresi dengan segala potensinya
kombinasi N prediktor (yang berisi 2 model regresi). Dalam aplikasi kami di bawah ini, kami melaporkan hasil DMA untuk = 1.
=
Dengan kata lain, hanya model regresi +1 yang memuat model regresi yang memuat suku konstan ( +1 0, +1 + +1) dan
=
N model regresi prediktif univariat ( +1 + +1), digunakan dalam0,DMA
+1 + tereduksi.
, +1 , Sebagai uji ketahanan, kami
8 Mengikuti literatur terkait mengenai PLS dan prediktabilitas imbal hasil (misalnya, Huang dkk., 2015; Lin, 2018), kami menggunakan imbal hasil minyak sebagai proksi dalam PLS. Akibatnya,
kami hanya menghasilkan satu indeks PLS. Sebaliknya, penggunaan lebih dari satu indeks lebih umum dilakukan pada regresi PC (lihat, misalnya, Ludvigson dan Ng, 2007, 2009; Neely
dkk., 2014).
101
pertimbangkan lebih lanjut kasus = 2, 3, dan 4 dan simpulkan bahwa hasilnya serupa secara kualitatif untuk semua kasus.9 Ada
dua alasan utama mengapa nilai K yang lebih besar tidak dipertimbangkan dalam penelitian ini. Pertama, nilai K yang besar mengakibatkan masalah over-fitting.
Artinya, model regresi dengan terlalu banyak regresi selalu menghasilkan kinerja di luar sampel yang buruk, yang terlihat pada banyaknya
literatur. Kedua, seperti telah disebutkan sebelumnya, secara komputasi tidak layak jika K relatif besar.
Terakhir, perhatikan bahwa dalam penelitian ini, kami mengikuti Raftery dkk. (2010) dan menetapkan kedua faktor lupa DMA sebagai 0,99. Itu
hasilnya secara kualitatif serupa untuk nilai wajar lainnya dalam kisaran antara 0,95 dan 0,99 (tidak dilaporkan).
3.Data
3.1. harga minyak
Dalam makalah ini, kami mempertimbangkan proksi harga minyak mentah yang berlaku, yaitu harga spot minyak mentah West Texas Intermediate (WTI).
selanjutnya), yang banyak digunakan dalam literatur mengenai prediktabilitas harga minyak (lihat, misalnya, Baumeister dan Kilian, 2012, 2014; Wang
dkk., 2017; Zhang dkk., 2018). Data harga minyak bulanan WTI diperoleh dari Badan Informasi Energi AS
(AMDAL). Data awal yang dikumpulkan adalah harga minyak nominal, dan kami mengempiskan harga minyak berdasarkan indeks harga konsumen (CPI) AS menjadi
membangun harga minyak riil. Data CPI tersedia dari Federal Reserve Economic Data (FRED).
Seluruh periode sampel berlangsung dari Februari 1986 hingga Desember 2016. Seperti dalam Rapach et al. (2010), Yin dan Yang (2016), dan
Zhang dkk. (2018), kami menghasilkan perkiraan keuntungan minyak di luar sampel menggunakan jendela estimasi yang rekursif (berkembang). Itu
periode estimasi awal dalam sampel mencakup bulan Februari 1986 hingga Desember 2000, sehingga perkiraan out-of-sampel pertama dimulai pada tahun 2000.
Januari 2001.
3.2. Prediktor
Dalam makalah ini, kami mempertimbangkan sejumlah besar prediktor, termasuk 14 variabel makroekonomi dan 18 indikator teknis. 14
variabel makroekonomi dijelaskan sebagai berikut.
1. Suku bunga Treasury bill: suku bunga pada Treasury bill tiga bulan (pasar sekunder).
2. Hasil jangka panjang: hasil obligasi pemerintah jangka panjang.
3. Inflasi: dihitung dari CPI AS untuk seluruh konsumen perkotaan.
4. Varians return saham: jumlah kuadrat return harian pada indeks S&P 500.
5. Ketidakpastian kebijakan ekonomi: dihitung dari indeks ketidakpastian kebijakan ekonomi bulanan AS
6. Indeks Kilian: indeks aktivitas ekonomi riil global dari Kilian (2009).
7. Pertumbuhan produksi minyak mentah: dihitung sebagai selisih pertama log produksi minyak mentah.
8. Pertumbuhan stok minyak mentah: dihitung sebagai selisih pertama dari log stok akhir minyak mentah AS.
9. Pertumbuhan impor minyak mentah: dihitung sebagai selisih pertama log impor minyak mentah AS.
10. Jumlah uang beredar: dihitung sebagai selisih pertama dari log persediaan uang M2 AS.
11. Indeks produksi industri: dihitung sebagai selisih pertama dari log indeks produksi industri untuk minyak mentah.
12. Tingkat pengangguran: dihitung sebagai selisih pertama dari tingkat pengangguran sipil AS.
13. Indeks aktivitas nasional The Fed Chicago.
14. Pemanfaatan kapasitas: pemanfaatan kapasitas untuk produksi.
Ke-14 variabel tersebut tidak hanya menangkap informasi terkait pasar keuangan dan aktivitas ekonomi tetapi juga mendeskripsikan
fluktuasi pasokan dan permintaan minyak mentah. Oleh karena itu, metode ini banyak digunakan dalam literatur mengenai peramalan harga minyak.
Data tersedia dari EIA, FRED, dan halaman web pribadi Amit Goyal dan Lutz Kilian. Perhatikan bahwa di luar sampel
prediksi kami, kami memperhitungkan keterlambatan publikasi beberapa variabel makroekonomi dengan menundanya satu bulan tambahan.
Di sisi lain, analisis teknikal ternyata jauh lebih unggul daripada analisis fundamental murni (lihat, misalnya, Neely dkk.,
2014; Yin dan Yang, 2016; Lin, 2018; Zhang dkk., 2018). Misalnya, Yin dan Yang (2016) mendokumentasikan indikator teknis tersebut
menunjukkan kekuatan prediksi yang jauh lebih tinggi dalam prediksi harga minyak dibandingkan variabel makroekonomi. Mengingat hal ini, kami terus mempekerjakan
18 indikator teknikal yang disarankan oleh Yin dan Yang (2016). Indikator teknis ini dibangun berdasarkan tiga indikator yang berlaku
strategi teknis. Yang pertama adalah aturan moving-average (MA), di mana sinyal beli atau jual ( masing-masing = 1 atau
, = 0) pada ,
akhir bulan t dibangun dengan membandingkan dua rata-rata bergerak,
, ÿ MA ,
, , (15)
= { 1 0jika
jikaMA
MA ,
< MA ,
Di mana
ÿ1
1
MA = - untuk = , , (16)
, ÿ
=0
adalah tingkat harga minyak, dan s dan l masing-masing menunjukkan panjang MA pendek dan panjang. Aturan MA mendeteksi variasi dalam
tren harga minyak. Dalam penelitian ini, kami menggunakan enam indikator MA dengan = 1, 2, 3 dan = 9, 12 dan menyatakannya sebagai MA(s, l).
9 Untuk menghemat ruang, kami tidak melaporkan hasilnya dalam makalah ini, namun tersedia berdasarkan permintaan.
102
Strategi kedua adalah aturan momentum yang menghasilkan sinyal perdagangan yang diberikan oleh
. (17)
,
= { 1 0jika
jikaÿ<ÿ -
Kami mempertimbangkan enam indikator momentum dengan = 1, 2, 3, 6, 9, dan 12 dan menyatakannya sebagai MOM(m).
Strategi ketiga didasarkan pada on-balance volume (OBV), dimana sinyal perdagangan diberikan oleh
ÿ MA
, , , (18)
, 0 jika MA < MA
= { 1 jika MA , ,
Di mana
ÿ1
1
MA == untuk = , , (19)
, ÿ -
=0
=ÿ , (20)
=1
adalah volume perdagangan selama bulan k, dan merupakan variabel biner yang sama dengan 1 jika
ÿ1ÿÿ 0 dan ÿ1 sebaliknya. Kami juga
gunakan enam indikator OBV dengan = 1, 2, 3 dan = 9, 12 dan nyatakan sebagai VOL(s, l).
Untuk menyusun 18 indikator teknis, kami mengikuti Yin dan Yang (2016) dan menggunakan harga penutupan dan volume perdagangan minyak mentah.
minyak berjangka Kontrak 1 diperdagangkan di New York Mercantile Exchange (NYMEX).
4. Hasil empiris
4.1. Performa di luar sampel
Welch dan Goyal (2008) berpendapat bahwa pengujian di luar sampel menghindari masalah kesesuaian yang berlebihan dalam sampel dan lebih relevan untuk menilai
prediktabilitas pengembalian asli secara real time. Untuk menghindari bias melihat ke depan, kita sebaiknya hanya menggunakan informasi yang tersedia sebanyak mungkin
menghasilkan perkiraan di luar sampel pada +1. Mengikuti Yin dan Yang (2016), Han dkk. (2017), dan Zhang dkk. (2018), antara lain,
2 2
kami menggunakan statistik di luar sampel, yang awalnya disarankan oleh Campbell dan Thompson (2008), untuk mengevaluasi statistik di luar sampel.
keakuratan prediksi model peramalan yang diminati relatif terhadap model acuan rata-rata historis.10 out-of-sample
2
statistik diberikan oleh
2 =1ÿ , (21)
Di mana = 1 - ÿ
ÿ =1( + 2 + ) 2 menunjukkan kesalahan prediksi kuadrat rata-rata (MSPE) dari model peramalan yang diminati,
= 1 - ÿ
menunjukkan MSPE model benchmark, ÿ =1( + ) +, + , Dan

ÿ
adalah pengembalian minyak sebenarnya, minyak

, + , +
imbal hasil yang diprediksi oleh model peramalan tersebut di atas, dan perkiraan patokan masing-masing pada bulan + masing- , dan dan
masing adalah lamanya periode estimasi dalam sampel dan periode evaluasi di luar sampel.
2 mengukur pengurangan proporsional dalam MSPE untuk perkiraan keuntungan minyak relatif terhadap perkiraan acuan.
Oleh karena itu, nilai positif 2 menunjukkan bahwa metode peramalan yang diinginkan memberikan perkiraan yang lebih akurat dibandingkan metode peramalan
model benchmark dalam hal kriteria MSPE. Untuk memastikan apakah model peramalan bunga menghasilkan hasil yang statistik
peningkatan signifikan dalam MSPE dibandingkan dengan model benchmark, kami mengikuti konvensi dalam literatur terkait (misalnya, Rapach
dkk., 2016; Han dkk., 2017; Lin dkk., 2018; Jiang et al., 2019) dan menggunakan statistik Clark dan West (2007) untuk menguji nilai nol
hipotesis yang menjadi acuan MSPE lebih kecil atau sama dengan model peramalan MSPE terhadap hipotesis alternatif tersebut
2 : 2 > 0).
benchmark MSPE lebih besar dari model peramalan MSPE (sesuai dengan ÿ 0 melawan 0:
Perlu dicatat bahwa, dibandingkan dengan 2 , Rasio MSPE adalah statistik yang lebih populer untuk evaluasi perkiraan di luar sampel
dalam literatur terkait mengenai prediktabilitas harga minyak (lihat, misalnya, Baumeister dan Kilian, 2012; Baumeister et al., 2015; Baumeister dan Kilian, 2012; Baumeister et al., 2015; Baumeister dan
Kilian, 2015; Wang dkk., 2015, 2017). Rasio MSPE dihitung sesuai dengan definisi ÿ ,
2 . 2
dalam Persamaan. (21). Oleh karena itu, hasil empirisnya konsisten ketika kita menggunakan rasio MSPE dibandingkan ketika kita menggunakan
Selain itu, MSPE dan 2 mempunyai daya tarik intuitif: akurasi adalah baik dan ketidakakuratan adalah buruk. Namun, Leitch dan Tanner
(1991) berpendapat bahwa, dalam banyak aplikasi praktis, meramalkan pergerakan pasar lebih penting daripada memperoleh perkiraan yang akurat.
perkiraan poin karena kesuksesan investor (yaitu keuntungan) memiliki hubungan yang lebih kuat dan signifikan dengan akurasi terarah
daripada akurasi titik yang diukur dengan statistik evaluasi konvensional seperti MSPE dan 2 . Untuk pertimbangan ini, kami melanjutkan
menghitung rasio keberhasilan untuk memeriksa keakuratan arah model peramalan. Uji nonparametrik Pesaran dan
Timmermann (1992) digunakan untuk menguji hipotesis nol bahwa rasio keberhasilan model peramalan yang diminati kurang dari
atau sama dengan rasio keberhasilan random walk terhadap hipotesis alternatif yaitu rasio keberhasilan model peramalan
bunga lebih besar dari rasio keberhasilan random walk.
Kami melaporkan hasil 2 dan rasio keberhasilan untuk semua model peramalan yang digunakan pada Tabel 1. Temuan paling penting
2
adalah bahwa jaring elastis dan laso selalu menghasilkan rasio s dan keberhasilan yang jauh lebih besar dibandingkan berbagai model pesaing.
Temuan ini menunjukkan bahwa jaring elastis dan laso dapat memilih prediktor yang kuat dari sejumlah besar prediktor dan pameran
kemampuan prediksi di luar sampel yang kuat dibandingkan dengan model pesaing.
10
Dalam pemeriksaan ketahanan kami di bawah ini, kami juga mempertimbangkan model tolok ukur populer lainnya mengenai prakiraan tanpa perubahan dan mengamati hasil serupa.
103
Tabel 1
Kinerja perkiraan di luar sampel.
2
Model peramalan sistem operasi
(%) Rasio keberhasilan
– 0,479
Rata-rata historis
Jaring elastis 15.890*** 0,651***
Laso 15.922*** 0,651***
Punggung bukit
9.885*** 0,604***
komputer 12.188*** 0,563*
Tolong 8.675*** 0,568**
Berarti 2.754*** 0,563
Median 1.420** 0,552
Dipangkas berarti 2.504*** 0,552
DMSPE(1) 2.913*** 0,568*
DMSPE(0.9) 2.977*** 0,552
DMA 7.159*** 0,578**
DMS 6.789** 0,526
Catatan: Tabel ini melaporkan R-square di luar sampel dan berbagai rasio keberhasilan
model peramalan harga spot minyak mentah WTI. Signifikansi statistik
untuk R-kuadrat di luar sampel dan rasio keberhasilan didasarkan pada nilai p dari
Statistik Clark dan West (2007) dan uji Pesaran dan Timmermann (1992) ,
masing-masing. ***, ** dan * menunjukkan signifikansi pada taraf 1%, 5%, dan 10%,
masing-masing. Periode sampelnya adalah Februari 1986 sampai Desember 2016, sedangkan
periode evaluasi out-of-sampel dimulai dari Januari 2001.
Kami selanjutnya menyediakan plot deret waktu mengenai perbedaan antara kesalahan prediksi kuadrat kumulatif (CSPE) untuk tolok ukur tersebut
perkiraan dan CSPE untuk perkiraan berdasarkan model perkiraan pada Gambar. 1. Perangkat grafis informatif ini memberikan gambaran visual
kesan mengenai konsistensi kinerja prediktif di luar sampel setiap model peramalan dari waktu ke waktu. Ketika kurva
di setiap panel pada Gambar 1 meningkat, model peramalan yang sesuai mengungguli model benchmark, sementara yang sebaliknya berlaku
ketika kurva menurun.
Sebagaimana dibuktikan pada Gambar 1, kurva model jaring elastis dan laso biasanya berubah dengan kemiringan positif dan meningkat
secara dramatis di pertengahan periode Krisis Keuangan Global (GFC), menunjukkan bahwa jaring elastis dan laso memiliki MSPE yang lebih rendah
dibandingkan model benchmark pada sebagian besar periode di luar sampel dan menunjukkan kekuatan prediksi yang sangat kuat pada periode pertengahan
dari GFC. Sebaliknya, model peramalan ridge, PC, PLS, DMA, dan DMS menunjukkan kurva berfluktuasi yang terkadang bergerak ke atas.
dan terkadang turun meskipun terjadi peningkatan yang luar biasa selama GFC. Masing-masing pendekatan kombinasi menunjukkan a
kurva dengan tren naik secara konsisten, menunjukkan bahwa pendekatan kombinasi secara konsisten dapat melampaui rata-rata historis
dalam hal MSPE. Namun, tinggi kurva ini pada akhir periode di luar sampel relatif rendah dibandingkan dengan periode di luar sampel.
jaring elastis dan laso. Dengan demikian, pendekatan kombinasi menunjukkan kemampuan prediksi yang terbatas dibandingkan dengan jaring elastis dan laso
model.
4.2. Prakiraan mencakup tes
Tes yang mencakup perkiraan banyak digunakan untuk menilai kandungan informasi relatif dalam perkiraan pengembalian saham (lihat,
misalnya, Rapach dkk., 2010; Neely dkk., 2014; Huang dkk., 2015; Rapach dkk., 2016; Jiang dkk., 2019). Namun, hanya sedikit penelitian
menekankan perbandingan perkiraan harga minyak dalam hal kandungan informasi. Untuk lebih membandingkan kandungan informasi
prakiraan berdasarkan model jaring elastis dan laso dengan prakiraan berdasarkan pesaing, kami melakukan prakiraan
mencakup tes. Lebih khusus lagi, pertama-tama kita membentuk perkiraan kombinasi optimal pengembalian aktual sebagai+1 kombinasi cembung
dari ramalan ÿ +1 berdasarkan salah satu model yang bersaing dan perkiraan ÿ +1 berdasarkan jaring elastis atau laso,
, ,
ÿ
+1 = (1 ÿ )ÿ , +1 + , +1, (22)
dimana j mengindeks model pesaing dan l mengindeks model jaring elastis dan laso. Jika (1 ÿ ) = 0, maka model j (l) diramalkan
mencakup perkiraan model l (j) , karena model l (j) tidak mengandung informasi yang berguna untuk membentuk kombinasi optimal
perkiraan diluar informasi yang sudah terdapat pada model j (l). Alternatifnya, jika (1 ÿ ) > 0, maka perkiraan model j (l) juga demikian
tidak mencakup perkiraan model l (j) . Artinya, model l (j) berisi informasi yang berguna untuk memperkirakan keuntungan minyak di luar perkiraan
informasi sudah terdapat pada model j (l). Harvey dkk. (1998) mengusulkan statistik untuk menguji hipotesis nol model tersebut
j (l) ramalan mencakup model l (j) ramalan ( 0 : (1 ÿ ) = 0) terhadap hipotesis alternatif bahwa model j (l) ramalan
tidak mencakup perkiraan model l (j) ( (1 ÿ ) > 0). 1:
Tabel 2 melaporkan nilai p dari perkiraan yang mencakup pengujian. Kombinasi bobot prakiraan berdasarkan jaring elastis
dan laso secara signifikan lebih besar dari nol, menunjukkan bahwa prakiraan berdasarkan kedua model ini mengandung informasi yang berguna
memperkirakan keuntungan minyak di luar informasi relevan yang sudah terkandung dalam perkiraan pesaing. Sebaliknya, kita tidak bisa menolaknya
hipotesis nol bahwa (1 ÿ ) = 0, sehingga prakiraan model jaring elastis dan laso mencakup prakiraan yang bersaing. Di dalam
dengan kata lain, akan berguna untuk menggabungkan prakiraan dari LASSO (termasuk jaring elastis dan laso) dan salah satu model pesaing.
daripada hanya mengandalkan perkiraan berdasarkan salah satu model pesaing. Singkatnya, hasil ramalan meliputi pengujian
menunjukkan bahwa prakiraan berdasarkan model jaring elastis dan laso mengandung informasi yang jauh lebih berguna untuk peramalan
keuntungan minyak di masa depan dibandingkan perkiraan lainnya.
104
Gambar 1. Kesalahan prediksi kuadrat kumulatif dari perkiraan jaring elastis dan laso terhadap perkiraan acuan untuk WTI. Garis padat digambarkan secara rekursif
perbedaan antara kesalahan prediksi kuadrat kumulatif (CSPE) untuk perkiraan benchmark dan CSPE untuk perkiraan berdasarkan perkiraan
model. Batang vertikal menggambarkan resesi bertanggal NBER. Periode sampelnya adalah dari 2001:01 hingga 2016:12.
Meja 2
Perkiraan yang mencakup hasil tes.
Model peramalan Jaring elastis Laso
1- 1-
Punggung bukit
0,005 0,249 0,005 0,251
komputer 0,009 0,364 0,009 0,367
Tolong 0,000 0,636 0,000 0,640
Berarti 0,000 0,936 0,000 0,937
Median 0,000 0,939 0,000 0,940
Dipangkas berarti 0,000 0,935 0,000 0,936
DMSPE(1) 0,000 0,937 0,000 0,938
DMSPE(0.9) 0,000 0,937 0,000 0,938
DMA 0,000 0,971 0,000 0,972
DMS 0,000 0,790 0,000 0,792
Catatan: Tabel ini melaporkan nilai p untuk Harvey dkk. (1998) Statistik MHLN untuk
menguji hipotesis nol bahwa (1 ÿ ) = 0 terhadap hipotesis alternatif
bahwa (1 ÿ ) > 0.
4.3. Peran pemilihan variabel
LASSO adalah metode analisis regresi yang melakukan pemilihan dan regularisasi variabel untuk meningkatkan akurasi peramalan.
Oleh karena itu, kami menyelidiki lebih lanjut peran pemilihan variabel. Secara khusus, LASSO menetapkan beberapa koefisien regresi ke nol. Di tempat lain
Dengan kata lain, variabel dengan koefisien bukan nol dipilih oleh LASSO. Dengan variabel yang dipilih, kami menjalankan prediksi
regresi menggunakan estimasi OLS dan bukan estimasi penyusutan LASSO. Artinya, kita dapat menghasilkan prakiraan di luar sampel
menggunakan estimasi OLS dengan prediktor yang dipilih.
105
Tabel 3
Kinerja peramalan di luar sampel, peran pemilihan variabel.
2
sistem operasi
Jaring elastis 14.781*** 0,672***

Laso 14.811*** 0,672***
Catatan: Tabel ini melaporkan kotak R di luar sampel dan rasio keberhasilan jaring elastis dan
laso untuk WTI, di mana jaring elastis dan laso berperan sebagai pemilihan variabel. Secara
khusus, prediktor dengan koefisien bukan nol dipilih dengan jaring elastis dan laso, dan kami
menghasilkan prakiraan di luar sampel menggunakan estimasi OLS. Signifikansi statistik untuk
R-square di luar sampel dan rasio keberhasilan didasarkan pada nilai p dari statistik Clark dan
West (2007) serta uji Pesaran dan Timmermann (1992) . ***, ** dan * menunjukkan signifikansi
masing-masing pada tingkat 1%, 5%, dan 10%. Periode sampel adalah dari bulan Februari 1986
sampai dengan Desember 2016, sedangkan periode evaluasi di luar sampel dimulai dari bulan
Januari 2001.
Gambar 2. Model ukuran jaring elastis dan laso selama periode di luar sampel. Ukuran model mewakili jumlah prediktor yang dipilih. Periode sampelnya adalah dari 2001:01 hingga 2016:12.
Tabel 3 menyajikan kinerja peramalan di luar sampel model jaring elastis dan laso sehubungan dengan peran pemilihan variabel. Kami menemukan
bahwa perkiraan OLS masih menghasilkan rasio keberhasilan dan keberhasilan 2yang lebih besar dibandingkan perkiraan pesaing meskipun ada sedikit
penurunan dibandingkan dengan perkiraan jaring elastis dan laso. Hal ini menunjukkan bahwa peran pemilihan variabel bekerja dengan baik untuk
jaring elastis dan laso. Selain itu, peran pemilihan variabel yang mengesankan juga menjelaskan mengapa regresi ridge menghasilkan kinerja di luar
sampel yang relatif buruk. Regresi ridge hanya melakukan regularisasi tetapi tidak melakukan pemilihan variabel, karena regresi ridge hanya
memperkecil ukuran koefisien tetapi tidak menetapkan satu pun koefisien menjadi nol.
Mengingat kinerja peramalan pemilihan variabel yang mengesankan, kami berupaya mengidentifikasi berapa banyak dan variabel mana yang dipilih
oleh model jaring elastis dan laso selama periode di luar sampel 2001:01–2016:12. Pertama, kami memplot ukuran model (yaitu, jumlah prediktor yang
dipilih) dari model jaring elastis dan laso sepanjang periode di luar sampel pada Gambar 2. Terlihat jelas bahwa kedua model ini memilih prediktor
dengan sangat hemat. Secara khusus, jaring elastis dan laso umumnya memilih sekitar lima prediktor selama periode di luar sampel. Bukti ini
menunjukkan bahwa model jaring elastis dan laso relatif jarang dalam penerapan praktis.
Kedua, untuk lebih menjelaskan situasi keseluruhan dari prediktor yang dipilih, kami menyoroti, pada Gambar. 3, prediktor yang dipilih di
2
setiap titik waktu sepanjang periode di luar sampel. Tiga puluh dua prediktor diurutkan berdasarkan nilai dalam sampelnya. 2 akan muncul di detik.
prediktor dengan prediktor terpilih dalam sampel yang tingkat yang lebih rendah pada sumbu -. Kita dapat melihat bahwa pola khususnya, sebuah
lebih besar untuk model jaring elastis dan laso adalah konsisten. Selain itu, kami menemukan bahwa prediktor dengan kemampuan prediksi yang lebih
2
kuat (yaitu, sampel yang lebih besar) lebih mungkin dipilih oleh model jaring elastis dan laso. Rata-rata, prediktor yang sering dipilih adalah MOM(1)
(100%), imbal hasil jangka panjang (100%), pertumbuhan stok minyak mentah (89.6%), ketidakpastian kebijakan ekonomi (64.6%), MOM(2) ( 57,8%), dan
varians return saham (50,5%).11
11 Angka di belakang prediktor dan di dalam tanda kurung mewakili frekuensi pemilihan dari prediktor yang bersangkutan. Kami hanya mencantumkan prediktor dengan
frekuensi seleksi yang lebih tinggi dari 50%.
106
Gambar 3. Prediktor terpilih dari jaring elastis dan laso selama periode di luar sampel. Prediktor yang dipilih (dibuang) pada setiap titik waktu ditampilkan sebagai
2 2
bilah biru (putih). Semua prediktor diurutkan berdasarkan nilai in-sample . Prediktor terbaik dengan in-sample terbesar berada di bagian bawah sumbu -,
2
sedangkan prediktor terburuk dengan in-sample terkecil berada di bagian atas sumbu -. Periode sampelnya adalah dari 2001:01 hingga 2016:12.
Namun, beberapa prediktor tertentu dengan sampel yang relatif besar (kecil). 2s dibuang (dipilih) selama sebagian besar periode
di luar sampel. Misalnya, model jaring elastis dan laso selalu membuang prediktor keempat (yaitu prediktor dengan sampel terbesar keempat)
2
dari MOM(3), sedangkan prediktor varians return saham kelima sering dipilih. Hal ini mungkin terjadi karena prediktor kelima varians return
saham dapat memberikan informasi pelengkap untuk meramalkan return minyak, sedangkan kandungan informasi dari prediktor keempat
sudah terdapat dalam prediktor sebelumnya (lihat, misalnya, Zhang et al., 2019). Kami selanjutnya menghitung korelasi antar prediktor. Hasil
yang tidak dilaporkan menunjukkan bahwa prediktor keempat MOM(3) menunjukkan korelasi yang jauh lebih besar dengan tiga prediktor
pertama (yaitu, MOM(1), MOM(2), dan imbal hasil jangka panjang) dibandingkan dengan prediktor kelima return saham. varians, sehingga
menunjukkan bahwa jaring elastis dan laso tidak hanya secara hati-hati memilih prediktor dengan informasi pelengkap yang berguna tetapi
juga membuang prediktor yang relatif kuat dengan informasi yang sudah terdapat dalam prediktor lainnya. Hal ini mendukung temuan
perkiraan yang mencakup pengujian.
Fitur menonjol lainnya dari Gambar 3 adalah pemilihan prediktor stabil dan berkelanjutan. Dengan kata lain, prediktor yang dipilih tampaknya bersifat
persisten. Hal ini konsisten dengan bukti dari Wang dkk. (2018), yang menemukan momentum prediktabilitas bahwa kinerja peramalan masa lalu yang baik
selalu diikuti oleh kinerja masa depan yang baik. Demikian pula, kami menemukan bahwa prediktor yang dipilih selama periode masa lalu cenderung dipilih
di masa depan. Artinya, momentum seleksi terdapat pada model jaring elastis dan laso.
Singkatnya, Gambar 3 mengilustrasikan tiga penjelasan utama mengapa model jaring elastis dan laso mengungguli pesaing.
Pertama, model jaring elastis dan laso memilih prediktor yang kuat. Kedua, mereka membuang prediktor yang berisi informasi yang sudah
ditemukan pada prediktor lainnya. Ketiga, model jaring elastis dan laso mempunyai momentum seleksi. Ketiga poin ini menjelaskan temuan
yang disajikan pada Tabel 1–3.
4.4. Menggunakan indikator teknis dan variabel makroekonomi secara terpisah
Meskipun kami memperhitungkan keterlambatan publikasi beberapa variabel makroekonomi dengan memberikan penundaan satu bulan
tambahan, beberapa variabel makroekonomi masih memerlukan revisi data. Sebaliknya, indikator teknis tersedia tepat waktu dan tidak
memerlukan revisi data. Untuk pertimbangan ini, kami mengikuti Neely dkk. (2014), Yin dan Yang (2016), dan Zhang dkk. (2018), antara lain,
dan menggunakan indikator teknis dan variabel makroekonomi secara terpisah untuk menghasilkan perkiraan di luar sampel.
Tabel 4 memberikan hasil out-of-sampel untuk semua model peramalan ketika kita menggunakan indikator teknis dan variabel
makroekonomi secara terpisah. Konsisten dengan temuan Yin dan Yang (2016) dan Zhang et al. (2018), indikator teknikal menunjukkan
kekuatan prediksi yang jauh lebih kuat dibandingkan variabel makroekonomi. Dalam hal ini, keunggulan model jaring elastis dan laso
terutama didorong oleh indikator teknikal dibandingkan variabel makroekonomi. Selain itu, temuan penting adalah bahwa model jaring elastis
2
dan model laso menghasilkan s yang lebih besar ketika variabel makroekonomi yang relatif tidak berguna ditambahkan ke dalam indikator
teknis yang kuat, sedangkan sebagian besar model pesaing menghasilkan s yang lebih kecil. Bukti ini menunjukkan bahwa meskipun
beberapa prediktor relatif tidak berguna, model jaring elastis dan laso memiliki kemampuan yang sangat kuat untuk memilih prediktor yang
kuat dari sejumlah besar prediktor. Namun, model pesaing gagal melakukan hal tersebut.
107
Tabel 4
Performa di luar sampel ketika dua set prediktor digunakan secara terpisah.
Model peramalan Indikator teknis Variabel makroekonomi

2 2
(%) Rasio keberhasilan (%) Rasio keberhasilan
sistem operasi sistem operasi
Jaring elastis 15.609*** 0,661*** ÿ0.748 0,542

Laso 15.604*** 0,661*** ÿ0.732 0,542
Punggung bukit
13.078*** 0,651*** ÿ3.246 0,516
komputer 14.553*** 0,635*** 0,668 0,500
Tolong 6.917*** 0,594** ÿ0.111* 0,469
Berarti 3.934*** 0,563 0,914 0,516
Median 2.676*** 0,563 0,082 0,526
Dipangkas berarti 3.272*** 0,557 0,980* 0,516
DMSPE(1) 4.144*** 0,542 0,949 0,521
DMSPE(0.9) 4.181*** 0,542 1.026 0,521
DMA 10.299*** 0,630*** 1.056 0,469
DMS 9.471*** 0,615*** 0,231 0,464
Catatan: Tabel ini melaporkan R-square di luar sampel dan rasio keberhasilan berbagai perkiraan
model ketika kita secara terpisah menggunakan indikator teknis dan variabel makroekonomi. Statistik
signifikansi untuk R-square di luar sampel dan rasio keberhasilan didasarkan pada nilai-p Clark
dan uji statistik West (2007) serta uji Pesaran dan Timmermann (1992) . ***, ** Dan
* menunjukkan signifikansi masing-masing pada tingkat 1%, 5%, dan 10%. Periode sampelnya adalah dari
Februari 1986 sampai dengan Desember 2016, sedangkan periode evaluasi out-of-sample dimulai pada bulan Januari
2001.
Tabel 5
Kinerja peramalan di luar sampel jaring elastis dan laso dengan kendala ekonomi.
2
Model peramalan (%) Rasio keberhasilan
sistem operasi
Jaring elastis tanpa kendala ekonomi 15.890*** 0,651***

Jaring elastis dengan kendala ekonomi 8.280*** 0,380
Lasso tanpa kendala ekonomi 15.922*** 0,651***
Lasso dengan kendala ekonomi 8.302*** 0,380
Catatan: Tabel ini melaporkan kuadrat R di luar sampel dan rasio keberhasilan jaring elastis dan laso
dengan dan tanpa kendala ekonomi untuk harga spot minyak mentah WTI. Jaring elastis dan laso
dengan kendala ekonomi menetapkan perkiraan negatif menjadi nol. Signifikansi statistik untuk out-of-sampel
R-kuadrat dan rasio keberhasilan didasarkan pada nilai p dari statistik Clark dan West (2007) dan
Tes Pesaran dan Timmermann (1992) . ***, ** dan * menunjukkan signifikansi pada
Tingkat 1%, 5%, dan 10%, masing-masing. Periode sampelnya adalah Februari 1986 sampai Desember
2016, sedangkan periode evaluasi out-of-sampel dimulai pada bulan Januari 2001.
4.5. Apakah kendala ekonomi lebih membantu?
Dimotivasi oleh teori ekonomi, Campbell dan Thompson (2008) mengusulkan batasan ekonomi yang akan diatur oleh investor yang rasional
mengeluarkan perkiraan return saham yang negatif dan oleh karena itu tetapkan perkiraan tersebut ke nol setiap kali perkiraan tersebut negatif.12 Batasan perkiraan positif
juga diterapkan oleh Pettenuzzo dkk. (2014) dan Li dan Tsiakas (2017), yang juga menemukan bahwa hal tersebut dapat menghasilkan out-of-sample yang lebih baik.
memperkirakan kinerja. Sebaliknya, LASSO dapat dianggap sebagai kendala statistik (Li dan Tsiakas, 2017). Mengingat hal ini, kami berupaya
untuk menyelidiki apakah kendala ekonomi lebih lanjut memberikan kontribusi untuk meningkatkan kinerja peramalan LASSO. Khususnya, kami
tetapkan prakiraan negatif jaring elastis dan laso ke nol dan pertahankan prakiraan positif.
Kami membandingkan perkiraan awal dari jaring elastis dan laso dengan perkiraan dengan batasan ekonomi sehubungan dengan kinerja di luar sampel
pada Tabel 5. Kami menemukan bahwa model jaring elastis dan laso dengan batasan ekonomi menghasilkan hasil yang jauh lebih rendah.
2 s dan rasio keberhasilan dibandingkan negara-negara yang tidak memiliki kendala ekonomi, menunjukkan bahwa kendala ekonomi gagal untuk ditingkatkan atau bahkan ditingkatkan
mempertahankan kinerja model jaring elastis dan laso di luar sampel. Intinya, kendala perkiraan positif dihasilkan
kinerja peramalan yang lebih baik karena buruknya kinerja perkiraan negatif. Oleh karena itu, perkiraan negatif dari
jaring elastis dan laso relatif akurat (setidaknya lebih akurat daripada perkiraan terbatas sebesar nol).
4.6. Sentimen pasar saham dan prediktabilitas harga minyak
Sentimen investor diketahui memiliki hubungan erat dengan return pasar saham (lihat, misalnya, Baker dan Wurgler, 2006; Yu dan Yuan,
2011; Stambaugh dkk., 2012; Huang dkk., 2015). Selain itu, karena finansialisasi komoditas, jumlahnya semakin meningkat
Banyak lembaga keuangan memandang minyak mentah sebagai aset keuangan kelas baru dan mulai berinvestasi di pasar minyak mentah untuk melakukan diversifikasi
portofolio. Hal ini menyebabkan korelasi yang kuat antara pasar saham dan minyak. Atas motivasi tersebut, menarik untuk diteliti
12
Campbell dan Thompson (2008) juga mengusulkan batasan koefisien, dimana investor tidak akan menggunakan koefisien sesat yang berlawanan dengan
tanda yang diharapkan secara teoritis dan setel ke nol. Namun, kami tidak menggunakan koefisien kendala, karena secara teoritis tanda-tanda prediksi minyak sudah diperkirakan
relatif tidak pasti dan karena batasan koefisien selalu digunakan oleh regresi univariat daripada pengaturan multivariat.
108
hubungan antara sentimen pasar saham dan prediktabilitas return harga minyak. Untuk tujuan ini, kami selanjutnya memberikan dua empiris
analisis.13
Uji empiris pertama adalah menguji hubungan antara sentimen pasar saham dan 18 indikator teknikal yang kami miliki
dihitung dari pergerakan harga minyak. Secara khusus, kami melakukan regresi berikut,
=+ ,
+ , (23)
Di mana adalah ukuran sentimen investor yang banyak digunakan yang diusulkan oleh Baker dan Wurgler (2006) pada bulan t, , adalah perdagangan
14
sinyal berdasarkan indikator teknis ke-i di t.
Tabel 6 melaporkan hasil estimasi model regresi (23). Kami mengamati hubungan negatif yang signifikan antara 18
indikator teknis minyak dan sentimen pasar saham, menunjukkan bahwa kita dapat memperkirakan premi risiko yang lebih rendah di pasar minyak selama ini
periode sentimen tinggi. Hal ini mungkin karena pasar minyak dapat menawarkan lindung nilai bagi investor saham. Terakhir, penting untuk diperhatikan
bahwa ketika kita menggunakan sentimen pasar yang tertinggal untuk memprediksi indikator teknis, hubungannya menjadi lebih signifikan
negatif (tidak dilaporkan).
Pengujian kedua adalah menyelidiki prediktabilitas harga minyak pada periode sentimen tinggi dan rendah. Mengikuti Stambaugh dkk.
(2012), tinggi rendahnya tingkat sentimen investor diklasifikasikan berdasarkan median tingkat indeks sentimen Baker dan
2 2
Wurgler (2006). Kemudian, kita menghitung 2 statistik secara terpisah untuk sentimen tinggi ( ÿ) dan sentimen rendah ( ),
, ,
- ÿ
2
ÿ =1 + ( + + )
2 =1ÿ untuk =
,
ÿ, , (24)
- ÿ
2
ÿ =1 + ( + , + )
ÿ
dimana (
+ + ) adalah indikator yang bernilai satu ketika bulan m+i berada dalam periode sentimen tinggi (sentimen rendah) dan nol
sebaliknya.
Tabel 7 secara terpisah melaporkan kinerja perkiraan di luar sampel selama periode sentimen tinggi dan rendah. Kecuali untuk
2
Model regresi PC, semua model yang tersisa menghasilkan s yang lebih besar selama periode sentimen tinggi dibandingkan selama periode sentimen rendah.
Hal ini menunjukkan bahwa prediktabilitas harga minyak lebih tinggi pada periode sentimen tinggi. Perlu dicatat bahwa dalam kekokohan
pemeriksaan di bawah ini, kami mempertimbangkan proksi alternatif harga minyak mentah, di mana kinerja perkiraan di luar sampel yang lebih baik untuk
periode sentimen tinggi dibandingkan periode sentimen rendah lebih signifikan (lihat Lampiran Internet). Bukti ini masuk akal
karena kehadiran investor yang didorong oleh sentimen dapat menyebabkan harga menyimpang dari nilai fundamental sehingga membentuk harga aset
lebih dapat diprediksi. Efek sentimen akan dihilangkan oleh investor rasional yang berupaya mengeksploitasi peluang keuntungan yang diciptakan
dengan salah menentukan harga. Namun, investor yang rasional tidak dapat sepenuhnya memanfaatkan peluang tersebut ketika tingkat sentimennya tinggi (Stambaught
dkk., 2012). Demikian pula, Yu dan Yuan (2011) berpendapat bahwa pasar menjadi kurang rasional pada periode sentimen tinggi karena tingginya
partisipasi pedagang kebisingan selama periode tersebut.
5. Pemeriksaan ketahanan
5.1. Estimasi parameter LASSO
Parameter LASSO, dan , adalah dua variabel masukan yang sangat penting untuk menghasilkan perkiraan LASSO. Dalam penelitian ini, kami
mengusulkan algoritma yang efisien untuk memperkirakan ,dan menggunakan 40% pengamatan terakhir dalam periode estimasi
15
tentukan nilai optimal dari dan . Secara statistik, orang mungkin bertanya mengapa kami memilih ukuran jendela 40%. Ini karena kita
partisi periode estimasi dapat menghasilkan trade-off yang diinginkan antara periode dalam sampel yang memiliki observasi yang cukup
untuk memperkirakan secara tepat parameter awal dan periode keluar sampel yang memiliki jangka waktu yang relatif lama untuk evaluasi dan . Selain
itu, untuk mengurangi kekhawatiran akan pengintaian data, kami juga mempertimbangkan empat ukuran sampel yang masuk akal untuk menilai
kinerja untuk menentukan nilai dan . Keempat ukuran jendela tersebut adalah 30%, 35%, 45%, dan 50% dari sampel estimasi
panjang.16
Tabel 8 menyajikan kinerja out-of-sampel model jaring elastis dan laso menggunakan 30%, 35%, 40%, 45%, dan 50%
sampel estimasi untuk memperkirakan dan. 2 s dan rasio keberhasilan sebanding untuk tiga ukuran jendela yaitu 35%, 40%, dan
45%. Lebih penting lagi, model jaring elastis dan laso secara konsisten mengungguli model pesaing yang menggunakan salah satu dari lima jendela
ukuran. Oleh karena itu, hasil jaring elastis dan laso di luar sampel kuat untuk ukuran jendela yang berbeda bila digunakan untuk memperkirakan dan .
5.2. Bisakah LASSO bekerja di bawah sejumlah prediktor terpilih?
Dalam makalah ini, kami menggunakan algoritma estimasi untuk menentukan nilai optimal parameter LASSO, dan. Dengan melakukan hal itu,
jumlah prediktor yang dipilih ditentukan oleh perkiraan dan . Alternatifnya, kita dapat menentukan angka tetap secara ex ante
dari prediktor yang dipilih dan nilai jaring elastis (untuk laso, selalu sama dengan 1) untuk mendapatkan nilai yang sesuai
13
Kami berterima kasih kepada seorang wasit yang tidak disebutkan namanya karena telah menyarankan dua gagasan menarik ini.
14 Data sentimen investor tersedia dari halaman web pribadi Jeffrey Wurgler di http://people.stern.nyu.edu/jwurgler/.
15
Perhatikan bahwa kita tidak memiliki bias melihat ke depan di sini, karena periode estimasi, bukan seluruh periode sampel, dibagi lagi menjadi periode dalam sampel.
periode dan periode di luar sampel untuk memperkirakan dan . Artinya, kami hanya menggunakan data yang tersedia hingga t untuk menghasilkan perkiraan LASSO pada +1 .
16
Selain pemeriksaan ketahanan ini, kami selanjutnya mempertimbangkan dua algoritma lainnya untuk memperkirakan dan mendapatkan hasil yang kuat (lihat Lampiran Internet).
109
Tabel 6
Hubungan antara sentimen pasar saham dan indikator teknis minyak.
2
Indikator teknis -stat (%)
MA(1,9) ÿ0,189** ÿ2.115 2.206

MA(1,12) ÿ0.252*** ÿ2.821 3.944
MA(2,9) ÿ0.183** ÿ2.011 2.072
MA(2,12) ÿ0.236** ÿ2.575 3.421
MA(3,9) ÿ0,171* ÿ1.853 1.792
MA(3,12) ÿ0,211** ÿ2.319 2.753
IBU(1) ÿ0,126** ÿ2.047 0,995
IBU(2) ÿ0,115* ÿ1.721 0,818
IBU(3) ÿ0,184** ÿ2.220 2.090
IBU(6) ÿ0.178** ÿ2.045 1.946
IBU(9) ÿ0.202** ÿ2.429 2.508
IBU (12) ÿ0,196** ÿ2.306 2.365
VOL(1,9) ÿ0.213*** ÿ2.760 2.775
VOL(1,12) ÿ0,172** ÿ2.266 1.800
VOL(2,9) ÿ0,200** ÿ2.374 2.445
VOL(2,12) ÿ0.233*** ÿ2.595 3.304
VOL(3,9) ÿ0.203** ÿ2.323 2.526
VOL(3,12) ÿ0,182** ÿ2.057 2.041
Catatan: Tabel ini melaporkan hasil estimasi regresi berdasarkan

indikator teknis minyak dan sentimen pasar saham. Model regresinya adalah
diekspresikan sebagai
=+ ,
+ ,
Di mana adalah sentimen pasar saham pada bulan t, , adalah sinyal perdagangan
berdasarkan indikator teknis ke-i di t. Kemiringan regresi ( ), yaitu Newey–West
2
t-statistik (t-stat), dan R dilaporkan. ***, ** dan * menunjukkan signifikansi pada
Tingkat 1%, 5%, dan 10%, masing-masing. Periode sampelnya adalah dari bulan Februari 1986
hingga Desember 2016.
Tabel 7
Performa di luar sampel untuk periode sentimen tinggi dan rendah.

2
(%)
Periode sentimen tinggi Periode sentimen rendah
Jaring elastis 16.465*** 15.678***

Laso 16.480*** 15.717***
Punggung bukit
11.384*** 9.333***
komputer 7.743** 13.822***
Tolong 8.841** 8.614***
Berarti 3.745*** 2.390**
median 2.253** 1.114*
Maksudnya dipangkas 3.360*** 2.190**
DMSP(1) 3.839*** 2.572**
DMSPE(0.9) 3.954*** 2.618**
DMA 7.861*** 6.901**
DMS 10.896*** 5.280*
Catatan: Tabel ini secara terpisah melaporkan R-square di luar sampel untuk periode sentimen
tinggi dan rendah. Tingkat sentimen investor tinggi dan rendah diklasifikasikan
berdasarkan tingkat median indeks sentimen Baker dan Wurgler (2006).
Signifikansi statistik untuk R-square di luar sampel didasarkan pada nilai p dari
Statistik Clark dan Barat (2007) . ***, ** dan * menunjukkan signifikansi pada 1%,
Tingkat 5%, dan 10%, masing-masing. Periode sampelnya adalah dari bulan Februari 1986 sampai dengan
Desember 2016, sedangkan periode evaluasi out-of-sample dimulai pada bulan Januari
2001.
. Mengingat hal ini, kami menyelidiki lebih lanjut kinerja peramalan di luar sampel dari model jaring elastis dan laso dengan nilai tetap.
jumlah prediktor yang dipilih. Secara khusus, Elliott dkk. (2013) hanya menetapkan = 0,5 untuk jaring elastis. Dalam penelitian ini, kami mempertimbangkan tiga hal
nilai untuk , 0,3, 0,5, dan 0,7, karena pertimbangan ketahanan. Selain itu, seperti yang diilustrasikan Gambar 2 bahwa ukuran model
jaring elastis dan laso umumnya kurang dari sepuluh prediktor, kami menganggap jumlah tetap prediktor yang dipilih adalah dari satu hingga
sepuluh.
Tabel 9 memberikan hasil yang sesuai dari kinerja di luar sampel untuk model jaring elastis dan laso dengan tetap
2
jumlah prediktor yang dipilih. Kami menemukan bahwa model jaring elastis dan laso menunjukkan s yang lebih besar dibandingkan model pesaing
dilaporkan pada Tabel 1 ketika jumlah tetap dari prediktor yang dipilih lebih besar dari tiga. Hal ini menunjukkan bahwa jaring elastis dan laso
model dengan jumlah prediktor terpilih yang tetap memiliki peluang besar untuk mengungguli pesaing. Apalagi jaringnya elastis
dan model laso dengan jumlah prediktor terpilih yang tetap dapat mengungguli model terkait menggunakan algoritma estimasi
dengan probabilitas sekitar 50%. Sehubungan dengan rasio keberhasilan, model jaring elastis dan laso dengan jumlah tetap
prediktor yang dipilih menunjukkan kinerja di luar sampel yang sama lebih baik. Menarik untuk dicatat bahwa rasio keberhasilan meningkat seiring dengan a
110
Tabel 8
Performa di luar sampel untuk ukuran jendela berbeda yang digunakan untuk memperkirakan LASSO
parameter.
2
Panel A: 30%
Jaring elastis 14.737*** 0,635***
Laso 14.775*** 0,635***
Panel B: 35%
Jaring elastis 15.724*** 0,651***
Laso 15.767*** 0,651***
Panel C: 40%
Jaring elastis 15.890*** 0,651***
Laso 15.922*** 0,651***
Panel D: 45%
Jaring elastis 15.328*** 0,651***
Laso 15.328*** 0,651***
Panel E: 50%
Jaring elastis 14.871*** 0,651***
Laso 14.872*** 0,651***
Catatan: Tabel ini melaporkan R-kuadrat di luar sampel dan rasio keberhasilan elastis
net dan laso untuk WTI. Lima ukuran jendela berbeda (30%, 35%, 40%, 45%, dan
50% sampel estimasi) digunakan untuk memperkirakan parameter LASSO. Statistik
signifikansi untuk R-square di luar sampel dan rasio keberhasilan didasarkan pada nilai p dari
statistik Clark dan West (2007) dan Pesaran dan Timmermann
(1992) tes, masing-masing. ***, ** dan * menunjukkan signifikansi pada tingkat 1%, 5%, dan
level 10%, masing-masing. Periode sampelnya adalah Februari 1986 sampai Desember
2016, sedangkan periode evaluasi out-of-sampel dimulai pada bulan Januari 2001.
Tabel 9
Kinerja peramalan di luar sampel jaring elastis dan laso dengan jumlah prediktor tetap.
2
Jumlah tetap sistem operasi
prediktor
Jaring elastis (0,3) Jaring elastis (0,5) Jaring elastis (0,7) Lasso Jaring elastis (0,3) Jaring elastis (0,5) Jaring elastis (0,7) Lasso
1 8.559*** 8.760*** 8.993*** 9.146*** 0,661*** 0,661*** 0,661*** 0,661***

2 11.096*** 11.270*** 11.323*** 11.390*** 0,661*** 0,661*** 0,661*** 0,661***
3 12.236*** 12.406*** 12.362*** 12.497*** 0,656*** 0,656*** 0,656*** 0,656***
4 14.270*** 14.780*** 14.688*** 14.752*** 0,656*** 0,656*** 0,651*** 0,651***
5 16.169*** 16.123*** 16.158*** 16.187*** 0,651*** 0,651*** 0,651*** 0,651***
6 16.917*** 16.921*** 16.944*** 16.932*** 0,651*** 0,651*** 0,651*** 0,651***
7 16.602*** 16.547*** 16.551*** 16.551*** 0,651*** 0,651*** 0,651*** 0,651***
8 16.296*** 16.316*** 16.324*** 16.344*** 0,646*** 0,646*** 0,646*** 0,646***
9 15.991*** 16.047*** 16.066*** 16.066*** 0,646*** 0,646*** 0,646*** 0,646***
10 15.843*** 15.797*** 15.807*** 15.796*** 0,646*** 0,641*** 0,641*** 0,641***
Catatan: Tabel ini melaporkan kuadrat R di luar sampel dan rasio keberhasilan jaring elastis dan laso untuk WTI, yang menggunakan jaring elastis dan laso dalam kondisi tetap
jumlah prediktor yang dipilih. Angka dalam tanda kurung di belakang ''Jaring elastis'' mewakili nilai jaring elastis. Signifikansi statistik untuk out-of-sampel
R-kuadrat dan rasio keberhasilan didasarkan pada nilai p dari statistik Clark dan West (2007) serta uji Pesaran dan Timmermann (1992) . ***, **
dan * menunjukkan signifikansi masing-masing pada tingkat 1%, 5%, dan 10%. Periode sampel adalah Februari 1986 sampai Desember 2016, sedangkan out-of-sample
periode evaluasi dimulai dari bulan Januari 2001.
penurunan ukuran model, menunjukkan bahwa lebih sedikit prediktor menyebabkan lebih sedikit gangguan informasi yang mempengaruhi akurasi arah. Berdasarkan
hasil empiris, kami menyarankan bahwa model jaring elastis dan laso dengan jumlah prediktor terpilih yang masuk akal
merupakan alternatif yang baik untuk memprediksi keuntungan minyak karena tidak hanya menghasilkan perkiraan yang relatif akurat tetapi juga dapat dilakukan tanpa adanya perkiraan tersebut
beban algoritma estimasi yang kompleks.
5.3. Pilihan alternatif perkiraan patokan
Berbeda dengan rata-rata historis yang berlaku, perkiraan tidak ada perubahan adalah model tolok ukur populer lainnya (lihat, misalnya, Baumeister
dan Kilian, 2012; Alquist dkk., 2013; Baumeister dan Kilian, 2014, 2015; Wang dkk., 2017). Tabel 10 melaporkan 2 s dari semua
model peramalan berdasarkan tolok ukur tanpa perubahan. Singkatnya, kami mengamati hasil yang kuat dari model jaring elastis dan laso
hasil yang jauh lebih besar 2 s dibandingkan model pesaing.
5.4. Ukuran jendela perkiraan yang berbeda
Rossi dan Inoue (2012) berpendapat bahwa pemilihan ukuran jendela yang berbeda secara sewenang-wenang dapat menyebabkan hasil out-of-sample yang sangat berbeda.
hasil dalam praktik dan ukuran jendela perkiraan memainkan peran penting dalam evaluasi di luar sampel. Dengan mengingat hal ini, kami
pilih jendela perluasan lainnya, dengan periode estimasi awal mulai dari Februari 1986 hingga Desember 1995.
111
Tabel 10
R-square di luar sampel berdasarkan perkiraan tolok ukur tanpa perubahan.
2
(%)
Jaring elastis 15.561***

Laso 15.594***
Punggung bukit
9.532***
komputer 11.845***
Tolong 8.318***
Rata- 2.374***
rata 1.035**
Median Dipangkas 2.123***
berarti DMSPE(1) 2.533***
DMSPE(0.9) 2.598***
DMA 6.796***
DMS 6.425**
Catatan: Tabel ini melaporkan R-kuadrat di luar sampel berdasarkan

perkiraan patokan tidak ada perubahan dari berbagai model peramalan
untuk WTI. Signifikansi statistik untuk R-square di luar sampel adalah
berdasarkan nilai p dari statistik Clark dan West (2007) .
***, ** dan * menunjukkan signifikansi pada tingkat 1%, 5%, dan 10%
tingkat, masing-masing. Periode sampelnya adalah dari bulan Februari 1986 sampai dengan
Desember 2016, saat periode evaluasi out-of-sampel dimulai
sejak Januari 2001.
Tabel 11
Kinerja di luar sampel untuk jangka waktu di luar sampel yang lebih lama dari Januari 1996 hingga Desember
2016.
2
sistem operasi
– 0,472
Rata-rata historis
Jaring elastis 14.700*** 0,651***
Laso 14.728*** 0,651***
Punggung bukit
4.999*** 0,595***
komputer 9.631*** 0,563**
Tolong 8.246*** 0,587***
Berarti 2.674*** 0,579**
median 1.343*** 0,567*
Dipangkas berarti 2.424*** 0,575**
DMSPE(1) 2.959*** 0,583**
DMSPE(0.9) 3.027*** 0,583**
DMA 5.577*** 0,536*
DMS 5.285** 0,496
model di bawah periode evaluasi di luar sampel yang lebih lama untuk WTI. Signifikansi statistik untuk R-square di
luar sampel dan rasio keberhasilan didasarkan pada nilai p dari statistik Clark dan West (2007)
dan tes Pesaran dan Timmermann (1992) . ***, ** dan * menunjukkan signifikansi pada
Tingkat 1%, 5%, dan 10%, masing-masing. Periode sampelnya adalah Februari 1986 sampai Desember
2016, sedangkan periode evaluasi out-of-sampel yang lebih lama dimulai pada bulan Januari 1996.
Tabel 11 melaporkan hasil di luar sampel untuk ukuran jendela perkiraan ini. Kami mengamati pola serupa dengan jaring elastis dan
2
model laso selalu menghasilkan rasio s dan keberhasilan yang lebih besar dibandingkan model pesaing. Oleh karena itu, hasil di luar sampel kami kuat
untuk ukuran jendela peramalan alternatif.17
5.5. Proksi alternatif harga minyak mentah
Pada subbagian ini, kami lebih lanjut mempertimbangkan proksi harga minyak mentah lainnya yang berlaku, yaitu biaya akuisisi kilang AS untuk
impor minyak mentah (RAC selanjutnya). Hal ini karena WTI dan RAC banyak digunakan dalam literatur mengenai prediktabilitas harga minyak
(lihat, misalnya, Baumeister dan Kilian, 2012; Alquist et al., 2013; Baumeister dan Kilian, 2014; Wang et al., 2017; Zhang et al., 2018).
Data harga minyak bulanan RAC juga tersedia dari EIA. Selain itu, kami menurunkan harga nominal RAC dengan CPI AS menjadi
membangun harga sebenarnya.
Tabel 12 melaporkan hasil peramalan utama di luar sampel untuk RAC.18 Meskipun model regresi ridge menunjukkan perkiraan terbesar
nilai rasio keberhasilan ketika kita meramalkan RAC, rasio keberhasilan jaring elastis dan laso sangat mendekati nilai terbesar.
Kecuali dalam kasus ini, jaring elastis dan laso selalu memberikan rasio s dan keberhasilan yang 2jauh lebih besar dibandingkan model pesaing.
Oleh karena itu, hasil penelitian kami kuat terhadap proksi alternatif harga minyak mentah.
17
Perhatikan bahwa bukti yang ditunjukkan pada Gambar. 1 juga menegaskan ketahanan sehubungan dengan berbagai ukuran jendela peramalan.
18
Kami memberikan lebih banyak bukti empiris untuk RAC di Lampiran Internet. Dibandingkan dengan seluruh hasil WTI, hasil RAC secara kualitatif serupa
(lihat Lampiran Internet).
112
Tabel 12
Kinerja perkiraan di luar sampel untuk harga minyak alternatif RAC.

2
sistem operasi
– 0,479
Rata-rata historis
Jaring elastis 18.738*** 0,651***
Laso 18.812*** 0,651***
Punggung bukit
14.492*** 0,656***
komputer 13.990*** 0,563*
Tolong 9.041*** 0,599***
Berarti 3.677*** 0,573*
Median 2.361*** 0,568
Dipangkas berarti 3.455*** 0,568*
DMSPE(1) 3.979*** 0,589**
DMSPE(0.9) 4.088*** 0,589**
DMA 6.090** 0,542
DMS 4.574* 0,521
model untuk biaya perolehan impor minyak mentah (RAC) kilang. Signifikansi statistik untuk
R-kuadrat di luar sampel dan rasio keberhasilan didasarkan pada nilai-p Clark dan West
(2007) statistik dan uji Pesaran dan Timmermann (1992) . ***, ** dan * menunjukkan
signifikansi pada tingkat 1%, 5%, dan 10%, masing-masing. Periode sampelnya adalah dari bulan Februari
1986 sampai dengan Desember 2016, sedangkan periode evaluasi out-of-sampel dimulai pada bulan Januari 2001.
Tabel 13
Kinerja di luar sampel untuk memperkirakan harga nominal WTI dan RAC.
Model peramalan WTI RAK

2 2
(%) Rasio keberhasilan (%) Rasio keberhasilan
sistem operasi sistem operasi
0,604 – 0,578
Rata-rata historis – Jaring
elastis 16,645*** 0,661*** 19.077*** 0.646***
Laso 16.673*** 0.661*** 19.162*** 0.646***
Punggung bukit
11.360*** 0.609*** 12.876*** 15.837*** 0.667***
komputer 0.615*** 9.498*** 0.568* 15.476*** 0.604***
Tolong 2.894*** 0.635*** 9.755*** 0.609***
Rata- 3,801*** 0,604**
rata 1.499** 0,604 2,424*** 0,594*
Median Dipangkas 2.640*** 0.630** 3,576*** 0,604**
berarti DMSPE(1) 3,076*** 0,646*** 4,022*** 0,599**
DMSPE(0.9) 3,141*** 0,651*** 7,698*** 4.129*** 0.604**
DMA 0,604** 7,856** 0,563** 6.860** 0,604***
DMS 6.203** 0,589**
Catatan: Tabel ini melaporkan R-square di luar sampel dan berbagai rasio keberhasilan
model peramalan harga nominal WTI dan RAC. Signifikansi statistik
untuk R-kuadrat di luar sampel dan rasio keberhasilan didasarkan pada nilai p dari
Statistik Clark dan West (2007) dan uji Pesaran dan Timmermann (1992) ,
masing-masing. ***, ** dan * menunjukkan signifikansi pada taraf 1%, 5%, dan 10%,
masing-masing. Periode sampelnya adalah Februari 1986 sampai Desember 2016, sedangkan
periode evaluasi out-of-sampel dimulai dari Januari 2001.
5.6. Harga nominal minyak mentah
Meskipun semakin banyak penelitian empiris yang menggunakan data pasca tahun 1973 yang berfokus pada harga riil minyak, banyak penelitian lain yang mengandalkan data tersebut.
pada harga nominal minyak (lihat Alquist et al., 2013). Mengingat hal ini, kami juga menyelidiki kinerja di luar sampel saat melakukan perkiraan
harga nominal WTI dan RAC. Tabel 13 melaporkan hasil utama di luar sampel.19 Kami mengamati hasil kuat yang bersifat elastis
2
net dan laso selalu menghasilkan rasio s dan keberhasilan yang jauh lebih besar dibandingkan model pesaing untuk harga nominal keduanya
WTI dan RAC.
5.7. Seperangkat prediktor yang jauh lebih besar
Hasil kami mungkin sensitif terhadap pilihan prediktor. Untuk mengatasi kekhawatiran ini, kami memperluas kumpulan variabel kami lebih jauh
termasuk database makro komprehensif yang disebut FRED-MD (McCracken dan Ng, 2016). Untuk mengkompilasi makro standar
database untuk memfasilitasi penelitian ''data besar'', database FRED-MD mewakili upaya luar biasa dari McCracken dan Ng (2016) dan
staf Federal Reserve Bank of St. Louis. Basis data FRED-MD memperluas kumpulan data Stock–Watson yang banyak digunakan (Stock dan
Watson, 2006) dan mencakup berbagai kategori ekonomi (output dan pendapatan; pasar tenaga kerja; perumahan; konsumsi, pesanan,
19
Kami memberikan lebih banyak bukti empiris untuk harga nominal WTI dan RAC di Lampiran Internet. Dibandingkan dengan hasil harga minyak riil,
hasilnya secara kualitatif serupa untuk harga minyak nominal (lihat Lampiran Internet).
113
Tabel 14
Performa perkiraan di luar sampel menggunakan kumpulan prediktor yang jauh lebih besar.
Model peramalan WTI RAK

2 2
R sistem operasi
(%) Rasio keberhasilan R sistem operasi
– 0,479 – 0,479
Rata-rata historis
Jaring elastis 12.036*** 0,661*** 15.121*** 0,635***
Laso 12.060*** 0,661*** 15.130*** 0,635***
Punggung bukit
ÿ2246.317 0,536 ÿ2280.255 0,615***
komputer ÿ3.966 0,500 ÿ6.282* 0,505
Tolong ÿ3.449** 0,536 ÿ1.144** 0,594**
Berarti 0,641 0,542 0,918* 0,583*
Median 0,285 0,542 0,401 0,542
Dipangkas berarti 0,671 0,547 0,935* 0,583
DMSPE(1) 0,680 0,536 0,996* 0,589*
DMSPE(0.9) 0,709 0,536 1.038* 0,594**
DMA 3.311*** 0,573* 2.083* 0,552
DMS 6.171** 0,521 3.622* 0,510
model untuk biaya akuisisi impor minyak mentah (RAC) kilang dan harga spot WTI
minyak mentah ketika kita menggunakan seperangkat prediktor yang jauh lebih besar. Dalam tabel ini, kumpulan prediktor
diperluas dengan memasukkan lebih lanjut 126 prediktor makroekonomi dari database FRED-MD.
Signifikansi statistik untuk R-square di luar sampel dan rasio keberhasilan didasarkan pada nilai p dari
statistik Clark dan West (2007) serta uji Pesaran dan Timmermann (1992) . ***,
** dan * masing-masing menunjukkan signifikansi pada tingkat 1%, 5%, dan 10%. Periode sampel
adalah dari bulan Februari 1986 sampai dengan bulan Desember 2016, sedangkan periode evaluasi out-of-sample dimulai dari
Januari 2001.
dan inventaris; uang dan kredit; bunga dan nilai tukar; harga; pasar saham). Kami mengumpulkan total 126 makroekonomi
prediktor tanpa data yang hilang dalam rentang Februari 1986 hingga Desember 2016.20 Daftar detail dan kode transformasi
untuk seluruh variabel makroekonomi disajikan dalam lampiran data McCracken dan Ng (2016). Terakhir, perhatikan data untuk
pasar saham, bunga, dan nilai tukar tersedia tanpa penundaan. Oleh karena itu, tidak diperlukan penyesuaian waktu untuk prediktor ini.
Secara khusus, kami menunda semua variabel lainnya sebanyak satu bulan tambahan untuk memperhitungkan keterlambatan dalam merilis data ini.
Tabel 14 melaporkan hasil perkiraan di luar sampel ketika kita mengandalkan kumpulan prediktor yang jauh lebih besar.21 Kami merangkum
hasil dengan dua observasi utama. Pertama, database FRED-MD tidak membantu meningkatkan prediktabilitas harga minyak.
Hal ini bersifat intuitif karena prediktabilitas harga minyak kita terutama didorong oleh indikator teknis. Yang kedua dan yang lebih penting adalah
2
jaring elastis dan laso terus memberikan rasio keberhasilan dan keberhasilan yang jauh lebih tinggi dibandingkan model pesaing. Bukti ini
menunjukkan bahwa jaring elastis dan laso memiliki kemampuan yang relatif kuat untuk menangani informasi di lingkungan yang kaya data. Kita
sehingga hasilnya kuat untuk lingkungan data alternatif.
6. Alokasi aset
Latihan portofolio adalah tes yang diperlukan dalam literatur mengenai prediktabilitas return saham.22 Baru-baru ini, studi terkait Yin dan
Yang (2016) dan Zhang dkk. (2018) juga menerapkan latihan portofolio untuk prediktabilitas harga minyak. Mengikuti pekerjaan mereka, kami melanjutkan
menyelidiki nilai ekonomi prediktabilitas harga minyak dengan metode jaring elastis dan laso dari perspektif alokasi aset.
Perlu dicatat bahwa kita memilih harga minyak Kontrak berjangka 1 yang diperdagangkan di NYMEX daripada harga spot WTI dan
RAC mengukur nilai ekonomi karena minyak berjangka lebih mudah diatur untuk tujuan investasi dibandingkan impor minyak mentah dan spot
minyak. Selain itu, harga minyak yang digunakan dalam penerapan alokasi aset merupakan harga perdagangan sebenarnya, bukan harga riil itu
dikempiskan oleh CPI. Lebih khusus lagi, kami menggunakan harga penutupan bulanan (bukan harga rata-rata) untuk menghitung kelebihan sederhana
pengembalian (daripada pengembalian log).
Mengikuti Yin dan Yang (2016), dan Zhang dkk. (2018), kami menghitung keuntungan kepastian setara return (CER) dan Sharpe
rasio untuk investor mean-variance yang secara optimal mengalokasikan antara minyak berjangka dan surat utang bebas risiko berdasarkan berbagai perkiraan
pengembalian minyak.23 Pada akhir bulan t, investor secara optimal mengalokasikan bagian portofolionya ke kontrak berjangka minyak untuk bulan berikutnya sebagai
ÿ
1 +1
= . (25)
ÿ2
+1
di mana adalah koefisien penghindaran risiko relatif investor,24 ÿ +1 adalah perkiraan kelebihan pengembalian minyak berjangka pada bulan +1, dan
ÿ
+1 adalah estimasi volatilitas return berlebih pada bulan +1. Mengikuti konvensi dalam literatur terkait (lihat, misalnya, Campbell
20 Basis data FRED-MD tersedia dari halaman web Michael McCracken di https://research.stlouisfed.org/econ/mccracken/fred-databases/.
21
Kami memberikan lebih banyak bukti empiris untuk penggunaan database FRED-MD di Lampiran Internet.
22
Lihat Campbell dan Thompson (2008), Rapach dkk. (2010), Neely dkk. (2014), Pettenuzzo dkk. (2014), Baetje dan Menkhoff (2016), Çakmaklÿ dan van
Dijk (2016), Rapach dkk. (2016), Jiang dkk. (2019), Faria dan Verona (2018), Stivers (2018), dan Wang dkk. (2018) sebagai contoh.
23 Alasan mengapa kami memilih surat utang bebas risiko untuk diperdagangkan adalah karena investor peduli dengan kelebihan keuntungannya. Oleh karena itu, tingkat bebas risiko merupakan tolak ukur yang penting.
24 Hasil yang dilaporkan di bawah ini didasarkan pada nilai koefisien penghindaran risiko relatif sebesar tiga. Sebagai pemeriksaan ketahanan, koefisien penghindaran risiko relatif
nilai satu dan lima digunakan untuk menghitung bobot portofolio optimal, dimana kita memperoleh hasil yang serupa.
114
dan Thompson, 2008; Neely dkk., 2014; Huang dkk., 2015; Lin dkk., 2018; Zhang dkk., 2018; Jiang et al., 2019), kami berasumsi bahwa investor
memperkirakan volatilitas imbal hasil menggunakan jendela pergerakan lima tahun25 dari imbal hasil bulanan masa lalu. Oleh karena itu, bobot
portofolio dalam Persamaan. (25) hanya berbeda karena kelebihan perkiraan return. Selain itu, kami membatasi terletak antara ÿ1.5
dan 1.5.26 Rata-rata-varians investor yang mengalokasikan aset menggunakan Persamaan. (25) dapat mewujudkan kepastian pengembalian setara (CER
CER = ÿ 0,5 2
, (26)
dimana dan 2 adalah rata-rata sampel dan varians, masing-masing, pengembalian portofolio selama periode evaluasi di luar sampel.
Keuntungan CER dihitung sebagai selisih antara CER bagi investor yang menggunakan berbagai prakiraan keuntungan minyak dan CER untuk investor yang hanya
menggunakan prakiraan acuan. Mengalikan perbedaan ini dengan 1200, kami menganualisasikan keuntungan CER dalam persentase, sehingga dapat diinterpretasikan
sebagai persentase biaya manajemen portofolio tahunan yang bersedia dibayar oleh investor untuk memiliki akses ke berbagai prakiraan sebagai pengganti prakiraan
acuan.
Zhang dkk. (2018) berpendapat bahwa bobot portofolio optimal pada Persamaan. (25) mengabaikan fitur penting dari perdagangan berjangka.
Secara khusus, investor berjangka biasanya membayar sebagian kecil dari seluruh nilai kontrak berjangka minyak mentah untuk memenuhi
persyaratan margin, sehingga keuntungan dan kerugiannya diperbesar dengan rasio leverage, yang berbanding terbalik dengan tingkat margin.
Mengingat hal ini, pengembalian portofolio, seperti yang dikemukakan oleh Zhang et al. (2018), dihitung sebagai
= ( + ) + (1 ÿ ) , (27)
di mana dan masing-masing adalah kelebihan pengembalian harga minyak mentah dan tingkat bebas risiko. Varians pengembalian portofolio dapat dinyatakan sebagai
222
Var( ) = , (28)
di mana volatilitas pengembalian berlebih. Memaksimalkan fungsi tujuan dari utilitas yang diharapkan (yaitu, CER),
( ) = ( ) ÿ 0,5 Var( ) = ( + ) + (1 ÿ ) ÿ
222 (29)
0,5 ,
Zhang dkk. (2018) memberikan bobot portofolio optimal,

ÿ
1 +1 + ( ÿ 1) +1
= , (30)
2ÿ2
+1
selama bulan + 1. Perhatikan bahwa bobot portofolio optimal yang dihitung dengan (30) dikurangi menjadi bobot yang dihitung dengan Persamaan. (25) ketika rasio
leverage adalah = 1. Kami berasumsi bahwa investor selalu mempertahankan akun margin pada tingkat 10% (yaitu, rasio leverage = 10 ).27 Tabel 15 melaporkan
keuntungan
CER di luar sampel dan Rasio Sharpe untuk rasio leverage sama dengan 1 dan 10. Dua observasi segera mengikuti tabel. Pertama, berbeda dengan evaluasi
statistik, lebih sulit bagi model peramalan yang digunakan untuk memperoleh perolehan CER positif dibandingkan dengan model benchmark, yang konsisten dengan
fenomena di pasar saham dan menyiratkan sulitnya menghasilkan uang dari pasar keuangan. . Kedua dan yang lebih penting, model jaring elastis dan laso selalu
menghasilkan perolehan CER yang positif dan rasio Sharpe yang sangat tinggi. Artinya, bukti di luar sampel untuk model jaring elastis dan laso menunjukkan
prediktabilitas harga minyak yang signifikan baik dari sudut pandang statistik maupun ekonomi.
7. Kesimpulan
Dalam makalah ini, kami menggunakan jaring elastis yang dikembangkan oleh Zou dan Hastie (2005) dan laso yang dikembangkan oleh
Tibshirani (1996) untuk meramalkan harga minyak dengan sejumlah besar alat prediksi. Secara khusus, kami menggunakan algoritme estimasi
yang efisien untuk secara otomatis menentukan parameter LASSO dan menurut kinerja ''di luar sampel''.28 Hasil di luar sampel menunjukkan
bahwa model jaring elastis dan laso menghasilkan hasil yang jauh lebih kuat. kemampuan prediktif dibandingkan model pesaing, termasuk
ridge, PC, PLS, pendekatan kombinasi, DMA, dan DMS, baik dari perspektif statistik maupun ekonomi. Secara khusus, model jaring elastis
dan laso 2menghasilkan rasio s dan keberhasilan yang lebih besar dibandingkan model pesaing yang banyak digunakan. Dari perspektif
alokasi aset, investor mean-variance dapat memperoleh keuntungan utilitas yang relatif tinggi dengan menggunakan perkiraan imbal hasil
berdasarkan jaring elastis dan laso untuk mengalokasikan portofolio antara minyak berjangka dan surat utang bebas risiko. Selain itu,
pengujian yang mencakup perkiraan menunjukkan bahwa informasi yang terkandung dalam perkiraan berbasis LASSO mendominasi informasi yang ditem
Lebih jauh lagi, kami menjelaskan peran seleksi variabel sehubungan dengan pendekatan jaring elastis dan laso. Pertama, ukuran model untuk model jaring
elastis dan laso relatif kecil. Artinya, mengingat sejumlah besar prediktor, model jaring elastis dan laso secara hemat memilih beberapa prediktor pada setiap titik
waktu. Kedua, prediktor yang dipilih adalah prediktor yang memiliki kemampuan prediksi kuat dan dapat memberikan informasi pelengkap. Selain itu, pemilihan
variabel kemungkinan besar mempunyai momentum. Ketiga, model regresi OLS berdasarkan prediktor yang dipilih oleh model jaring elastis dan laso juga menunjukkan
kinerja peramalan di luar sampel yang lebih baik dibandingkan model pesaing. Secara keseluruhan, disimpulkan bahwa model jaring elastis dan model laso
berkontribusi terhadap peningkatan prediktabilitas harga minyak dengan secara pelit memilih prediktor yang kuat.
25 Hasil perolehan CER dan rasio Sharpe secara kualitatif serupa untuk periode pergerakan sepuluh tahun seperti yang disarankan oleh Rapach dkk. (2016).
26
Dalam penerapan return saham, Campbell dan Thompson (2008), Huang et al. (2015), Neely dkk. (2014), dan Jiang dkk. (2019), antara lain, membatasi bobot portofolio
antara 0 dan 1,5 karena kendala short-sale. Namun, sangat fleksibel untuk mengambil posisi short untuk kontrak berjangka, sehingga kita melonggarkan batasan bobot
menjadi antara ÿ1,5 dan 1,5.
27 Hasil keuntungan CER dan rasio Sharpe secara kualitatif serupa untuk nilai rasio leverage yang wajar lainnya.
28
Perhatikan bahwa periode ''di luar sampel'' didasarkan pada periode estimasi, bukan seluruh periode sampel.
115
Tabel 15
Kinerja portofolio.
Model peramalan Rasio leverage = 1 Rasio leverage = 10
CER memperoleh rasio Sharpe CER memperoleh rasio Sharpe
Jaring elastis 1.289 0,202 1.305 0,265

Laso 1.295 0,202 1.310 0,265
Punggung bukit
ÿ12.156 0,032 ÿ22.490 0,117
komputer ÿ10.685 ÿ0.183 ÿ16.907 ÿ0,068
Tolong ÿ11.990 0,014 ÿ19.212 0,196
Berarti ÿ0.291 0,008 ÿ0.277 0,101
median ÿ1.308 ÿ0,088 ÿ1.300 0,011
Maksudnya dipangkas ÿ0.463 ÿ0,007 ÿ0.451 0,086
DMSP(1) ÿ0.306 0,007 ÿ0.291 0,099
DMSPE(0.9) ÿ0,294 0,008 ÿ0.280 0,101
DMA ÿ0.760 0,067 ÿ0.753 0,133
DMS ÿ4.469 ÿ0.120 ÿ6.573 0,111
Catatan: Tabel ini melaporkan perolehan keuntungan setara kepastian tahunan (CER).
(dalam persen) dan rasio Sharpe untuk investor mean-variance dengan risiko relatif
koefisien keengganan tiga orang yang mengalokasikan antara minyak berjangka dan surat utang bebas risiko
menggunakan perkiraan pengembalian minyak dari berbagai model perkiraan. Berat badan di masa depan
dibatasi terletak antara ÿ1.5 dan 1.5. Periode di luar sampel dimulai dari
Januari 2001 hingga Desember 2016.
Lampiran
Materi pelengkap terkait artikel ini dapat ditemukan online di https://doi.org/10.1016/j.jempfin.2019.08.007.
Referensi
Abel, AB, Eberly, JC, Panageas, S., 2013. Kurangnya perhatian optimal terhadap pasar saham dengan biaya informasi dan biaya transaksi. Ekonometrika 81, 1455–1481.
Alquist, R., Kilian, L., Vigfusson, RJ, 2013. Peramalan harga minyak. Dalam: Elliott, G., Timmermann, A. (Eds.), Buku Pegangan Peramalan Ekonomi. Elsevier,
Amsterdam, hal.427–507.
Baetje, F., Menkhoff, L., 2016. Prediksi premi ekuitas: Apakah indikator ekonomi dan teknis tidak stabil? Int. J.Prakiraan. 32, 1193–1207.
Baker, M., Wurgler, J., 2006. Sentimen investor dan penampang return saham. J. Keuangan 61, 1645–1680.
Baumeister, C., Guérin, P., Kilian, L., 2015. Apakah data keuangan frekuensi tinggi membantu memperkirakan harga minyak? Sentuhan MIDAS di tempat kerja. Int. J.Prakiraan. 31, 238–252.
Baumeister, C., Kilian, L., 2012. Prakiraan harga minyak riil secara real-time. J.Bus. Ekonomi. ahli statistik. 30, 326–336.
Baumeister, C., Kilian, L., 2014. Apa yang perlu diketahui para bankir sentral tentang perkiraan harga minyak. Internasional. Ekonomi. Wahyu 55, 869–889.
Baumeister, C., Kilian, L., 2015. Peramalan harga riil minyak di dunia yang terus berubah: Pendekatan kombinasi perkiraan. J.Bus. Ekonomi. ahli statistik. 33, 338–351.
Baumeister, C., Kilian, L., Lee, TK, 2014. Apakah ada keuntungan dari pengumpulan perkiraan harga minyak secara real-time? Ekonomi Energi. 46, S33–S43.
Baumeister, C., Kilian, L., Zhou, X., 2017. Apakah product spread berguna untuk memperkirakan harga minyak? Evaluasi empiris terhadap hipotesis Verleger. makroekonomi.
Dyn. 1–19.
Bien, J., Taylor, J., Tibshirani, R., 2013. Sebuah laso untuk interaksi hierarki. Ann. ahli statistik. 41, 1111–1141.
Boyd, S., Parikh, N., Chu, E., Peleato, B., Eckstein, J., 2011. Optimasi Terdistribusi dan Pembelajaran Statistik Melalui Metode Pengganda Arah Bolak-balik,
Jil. 3. Landasan dan Trends® dalam Pembelajaran Mesin, hal. 1–122.
Çakmaklÿ, C., van Dijk, D., 2016. Memaksimalkan informasi makroekonomi untuk memprediksi kelebihan return saham. Int. J.Prakiraan. 32, 650–668.
Campbell, JY, Thompson, SB, 2008. Memprediksi kelebihan pengembalian saham di luar sampel: Adakah yang bisa mengalahkan rata-rata historis? Pendeta Keuangan. Pejantan. 21, 1509–1531.
Clark, TE, West, KD, 2007. Kira-kira pengujian normal untuk akurasi prediksi yang sama dalam model bersarang. J. Ekonometrika 138, 291–311.
Drachal, K., 2016. Meramalkan harga minyak spot dalam kerangka rata-rata model dinamis—Apakah faktor-faktor penentunya berubah seiring waktu? Ekonomi Energi. 60, 35–46.
Elliott, G., Gargano, A., Timmermann, A., 2013. Regresi subset lengkap. J. Ekonometrika 177, 357–373.
Faria, G., Verona, F., 2018. Meramalkan return pasar saham dengan menjumlahkan bagian yang didekomposisi frekuensi. J.Kekaisaran. Keuangan. 45, 228–242.
Gabaix, X., 2014. Model rasionalitas terbatas berbasis ketersebaran. Kuart. J.Ekon. 129, 1661–1710.
Gabaix, X., Laibson, D., Moloche, G., Weinberg, S., 2006. Akuisisi informasi yang mahal: Analisis eksperimental model rasional terbatas. Amer. ekonomi. Putaran.
96, 1043–1068.
Han, L., Lv, Q., Yin, L., 2017. Bisakah perhatian investor memprediksi harga minyak? Ekonomi Energi. 66, 547–558.
Harvey, DS, Leybourne, SJ, Newbold, P., 1998. Tes untuk mencakup perkiraan. J.Bus. Ekonomi. ahli statistik. 16, 254–259.
Hoerl, AE, Kannard, RW, Baldwin, KF, 1975. Regresi ridge: beberapa simulasi. Komunikasi ahli statistik. Metode Teori 4, 105–123.
Hoerl, AE, Kennard, RW, 1970. Regresi ridge: Estimasi yang bias untuk masalah nonortogonal. Teknometri 12, 55–67.
Hou, K., Mountain, DC, Wu, T., 2016. Guncangan harga minyak dan mekanisme transmisinya dalam perekonomian pengekspor minyak: Analisis VAR yang diinformasikan oleh DSGE
model. J.Int. Pembiayaan Uang 68, 21–49.
Huang, D., Jiang, F., Tu, J., Zhou, G., 2015. Sentimen investor selaras: Prediktor kuat pengembalian saham. Pendeta Keuangan. Pejantan. 28, 791–837.
Huang, L., Liu, H., 2007. Kurangnya perhatian rasional dan pemilihan portofolio. J.Keuangan 62, 1999–2040.
Jiang, F., Lee, JA, Martin, X., Zhou, G., 2019. Sentimen manajer dan return saham. J.Keuangan. ekonomi. 132, 126–149.
Kelly, B., Pruitt, S., 2013. Ekspektasi pasar pada penampang nilai sekarang. J. Keuangan 68, 1721–1756.
Kelly, B., Pruitt, S., 2015. Filter regresi tiga jalur: Pendekatan baru untuk peramalan menggunakan banyak prediktor. J. Ekonometrika 186, 294–316.
Kilian, L., 2009. Tidak semua guncangan harga minyak sama: Menguraikan guncangan permintaan dan pasokan di pasar minyak mentah. Saya. ekonomi. Wahyu 99, 1053–1069.
Kilian, L., Park, C., 2009. Dampak guncangan harga minyak terhadap pasar saham AS. Internasional. Ekonomi. Wahyu 50, 1267–1287.
Kilian, L., Vigfusson, RJ, 2017. Peran guncangan harga minyak dalam menyebabkan resesi AS. J. Bank Kredit Uang. 49, 1747–1776.
Koop, G., Korobilis, D., 2012. Peramalan inflasi menggunakan model dinamis rata-rata. Internasional. Ekonomi. Wahyu 53, 867–886.
Leitch, G., Tanner, JE, 1991. Evaluasi perkiraan ekonomi: keuntungan versus ukuran kesalahan konvensional. Saya. ekonomi. Wahyu 81, 580–590.
Li, J., Tsiakas, I., 2017. Prediksi premi ekuitas: Peran kendala ekonomi dan statistik. J.Keuangan. Pasar 36, 56–75.
116
Li, J., Tsiakas, I., Wang, W., 2015. Memprediksi nilai tukar di luar sampel: Bisakah fundamental ekonomi mengalahkan random walk? J.Keuangan. ekonomi. 13, 293–341.
Lin, Q., 2018. Analisis teknis dan prediktabilitas return saham: Pendekatan yang selaras. J.Keuangan. Pasar 38, 103–123.
Lin, H., Wu, C., Zhou, G., 2018. Perkiraan imbal hasil obligasi korporasi dengan sejumlah besar prediktor: Pendekatan kombinasi berulang. Mengelola. Sains. 64, 4218–4238.
Ludvigson, SC, Ng, S., 2007. Hubungan risiko-pengembalian empiris: Pendekatan analisis faktor. J.Keuangan. ekonomi. 83, 171–222.
Ludvigson, SC, Ng, S., 2009. Faktor makro dalam premi risiko obligasi. Pendeta Keuangan. Pejantan. 22, 5027–5067.
Luo, Y., Young, ER, 2016. Risiko konsumsi jangka panjang dan alokasi aset di bawah utilitas rekursif dan kurangnya perhatian rasional. J. Bank Kredit Uang. 48, 325–362.
McCracken, MW, Ng, S., 2016. FRED-MD: Database bulanan untuk penelitian makroekonomi. J.Bus. Ekonomi. ahli statistik. 34, 574–589.
Naser, H., 2016. Memperkirakan dan meramalkan harga riil minyak mentah: Model kaya data menggunakan pendekatan model dinamis rata-rata (DMA). Ekonomi Energi. 56,
75–87.
Neely, CJ, Rapach, DE, Tu, J., Zhou, G., 2014. Perkiraan premi risiko ekuitas: Peran indikator teknis. Mengelola. Sains. 60, 1772–1791.
Pesaran, MH, Timmermann, A., 1992. Sebuah tes nonparametrik sederhana kinerja prediktif. J.Bus. Ekonomi. ahli statistik. 10, 461–465.
Pettenuzzo, D., Timmermann, A., Valkanov, R., 2014. Peramalan return saham dalam kendala ekonomi. J.Keuangan. ekonomi. 114, 517–553.
Raftery, AE, Kárný, M., Ettler, P., 2010. Prediksi online di bawah ketidakpastian model melalui rata-rata model dinamis: Penerapan pada pabrik penggilingan dingin. Teknometri
52, 52–66.
Rapach, DE, Ringgenberg, MC, Zhou, G., 2016. Bunga pendek dan pengembalian saham agregat. J.Keuangan. ekonomi. 121, 46–65.
Rapach, DE, Strauss, JK, Zhou, G., 2010. Prediksi premi ekuitas di luar sampel: Perkiraan kombinasi dan kaitannya dengan ekonomi riil. Pendeta Keuangan. Pejantan.
23, 821–862.
Rossi, B., Inoue, A., 2012. Perkiraan di luar sampel menguji ketahanan terhadap pilihan ukuran jendela. J.Bus. Ekonomi. ahli statistik. 30, 432–453.
Sims, CA, 2003. Implikasi dari kurangnya perhatian rasional. J. Ekonomi Moneter. 50, 665–690.
Stambaugh, RF, Yu, J., Yuan, Y., 2012. Singkatnya: Sentimen dan anomali investor. J.Keuangan. ekonomi. 104, 288–302.
Stivers, A., 2018. Prediksi premi ekuitas dengan banyak prediktor: Penjelasan berbasis risiko tentang faktor ukuran dan nilai. J.Kekaisaran. Keuangan. 45, 126–140.
Stock, JH, Watson, MW, 2006. Peramalan dengan banyak prediktor. Dalam: Elliot, G., Granger, CW, Timmermann, A. (Eds.), Buku Pegangan Peramalan Ekonomi.
Elsevier, Amsterdam, hlm.515–554.
Tibshirani, R., 1996. Regresi penyusutan dan seleksi melalui laso. Statistik JR. sosial. Ser. Statistik B. Metodologi. 58, 267–288.
Tibshirani, R., Saunders, M., Rosset, S., Zhu, J., Knight, K., 2005. Ketersebaran dan kehalusan melalui laso yang menyatu. Statistik JR. sosial. Ser. Statistik B. Metodologi. 67, 91–108.
Tibshirani, R., Suo, X., 2016. Laso yang teratur dan regresi jeda waktu yang jarang. Teknometri 58, 415–423.
Wang, Y., Liu, L., Diao, X., Wu, C., 2015. Perkiraan harga riil minyak mentah dalam batasan ekonomi dan statistik. Ekonomi Energi. 51, 599–608.
Wang, Y., Liu, L., Ma, F., Diao, X., 2018. Momentum prediktabilitas pengembalian. J.Kekaisaran. Keuangan. 45, 141–156.
Wang, Y., Liu, L., Wu, C., 2017. Peramalan harga riil minyak mentah menggunakan kombinasi perkiraan model parameter yang bervariasi dari waktu ke waktu. Ekonomi Energi. 66,
337–348.
Welch, I., Goyal, A., 2008. Pandangan komprehensif terhadap kinerja empiris prediksi premi ekuitas. Pendeta Keuangan. Pejantan. 21, 1455–1508.
Yin, L., Yang, Q., 2016. Memprediksi harga minyak: Apakah indikator teknis membantu? Ekonomi Energi. 56, 338–350.
Yu, J., Yuan, Y., 2011. Sentimen investor dan hubungan mean-variance. J.Keuangan. ekonomi. 100, 367–381.
Yuan, M., Lin, Y., 2006. Pemilihan model dan estimasi dalam regresi dengan variabel yang dikelompokkan. Statistik JR. sosial. Ser. Statistik B. Metodologi. 68, 49–67.
Zhang, Y., Ma, F., Shi, B., Huang, D., 2018. Perkiraan harga minyak mentah: Pendekatan kombinasi berulang. Ekonomi Energi. 70, 472–483.
Zhang, Y., Zeng, Q., Ma, F., Shi, B., 2019. Meramalkan return saham: Apakah prediktor yang kurang kuat membantu? ekonomi. Model. 78, 32–39.
Zhu, X., Zhu, J., 2013. Memprediksi return saham: Pendekatan kombinasi peralihan rezim dan hubungan ekonomi. J.Bank. Keuangan. 37, 4120–4133.
Zou, H., 2006. Laso adaptif dan sifat ramalannya. J.Amer. ahli statistik. Asosiasi. 101, 1418–1429.
Zou, H., Hastie, T., 2005. Regularisasi dan pemilihan variabel melalui jaring elastis. Statistik JR. sosial. Ser. Statistik B. Metodologi. 67, 301–320.
117

Forecasting Crude Oil Prices With A Large Set of Predictors Can LASSO Select Powerful Predictors

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Forecasting Crude Oil Prices With A Large Set of Predictors Can LASSO Select Powerful Predictors

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

Jurnal Keuangan Empiris 54 (2019) 97–117

Daftar isi tersedia di ScienceDirect

Jurnal Keuangan Empiris

Memperkirakan harga minyak mentah dengan sejumlah besar

INFO PASAL ABSTRAK

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

1. Diberikan himpunan nilai awal dan 6

2.2. Model yang bersaing

2.2.1. Regresi punggung bukit

2.2.3. Regresi PLS

6 Sehubungan dengan laso, selalu sama dengan 1.

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

PLS diperkirakan pada (10),

2.2.4. Pendekatan kombinasi

2.2.5. Rata-rata model dinamis

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

3.1. harga minyak

akhir bulan t dibangun dengan membandingkan dua rata-rata bergerak,

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

4.1. Performa di luar sampel

menunjukkan MSPE model benchmark, ÿ =1( + ) +, + , Dan

adalah pengembalian minyak sebenarnya, minyak

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

4.2. Prakiraan mencakup tes

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Model peramalan Jaring elastis Laso

4.3. Peran pemilihan variabel

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Jaring elastis 14.781*** 0,672***

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

4.4. Menggunakan indikator teknis dan variabel makroekonomi secara terpisah

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Model peramalan Indikator teknis Variabel makroekonomi

Jaring elastis 15.609*** 0,661*** ÿ0.748 0,542

Jaring elastis tanpa kendala ekonomi 15.890*** 0,651***

4.5. Apakah kendala ekonomi lebih membantu?

4.6. Sentimen pasar saham dan prediktabilitas harga minyak

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

5.1. Estimasi parameter LASSO

5.2. Bisakah LASSO bekerja di bawah sejumlah prediktor terpilih?

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

MA(1,9) ÿ0,189** ÿ2.115 2.206

Catatan: Tabel ini melaporkan hasil estimasi regresi berdasarkan

Performa di luar sampel untuk periode sentimen tinggi dan rendah.

Periode sentimen tinggi Periode sentimen rendah

Jaring elastis 16.465*** 15.678***

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

1 8.559*** 8.760*** 8.993*** 9.146*** 0,661*** 0,661*** 0,661*** 0,661***

5.3. Pilihan alternatif perkiraan patokan

5.4. Ukuran jendela perkiraan yang berbeda

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Jaring elastis 15.561***

Catatan: Tabel ini melaporkan R-kuadrat di luar sampel berdasarkan

5.5. Proksi alternatif harga minyak mentah

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Kinerja perkiraan di luar sampel untuk harga minyak alternatif RAC.

Model peramalan WTI RAK

5.6. Harga nominal minyak mentah

5.7. Seperangkat prediktor yang jauh lebih besar

Y. Zhang, F. Ma dan Y. Wang Jurnal Keuangan Empiris 54 (2019) 97–117

Jaring elastis 14.781* 0,672*

Jaring elastis 15.609* 0,661* ÿ0.748 0,542

Jaring elastis tanpa kendala ekonomi 15.890* 0,651*

Jaring elastis 16.465* 15.678*

1 8.559* 8.760* 8.993* 9.146* 0,661* 0,661* 0,661* 0,661*