Forecasting asset returns in state space models

Erwartungen über die zukünftige Entwicklung der Wirtschaft sind von herausragender Bedeutung, um in einem stochastischen Umfeld die richtigen Entscheidungen zu treffen. Daher werden Prognoseverfahren seit langem erforscht. Grösstenteils basieren diese Untersuchungen auf Regressionstechniken wie OLS und GMM.In dieser Arbeit schlage ich einen anderen Ansatz vor: Zustandsmodelle und deren Schätzung mittels der auf dem Kalman-Filter basierenden Maximum-Likelihood-Methode. Die beiden Techniken sind zwar oft identisch, jedoch wenn Daten nur mit einem Messfehler beobachtet werden können oder ein saisonales Muster aufweisen, ist der Zustandsmodell-Ansatz klar überlegen. Nur das Zustandsmodell separiert das wahre Signal vom Messfehler. Da nur das Signal für die Prognose relevant ist, kann die Vorhersagequalität dadurch deutlich verbessert werden. Insbesondere verwende ich Zustandsmodelle, um affine Zinsmodelle zu schätzen. Die daraus resultierenden Renditeprognosen für langfristige Obligationen sind viel zuverlässiger als jene aus linearen Regressionen, obwohl das Stichproben-Rø deutlich tiefer ist. Ausserdem finde ich erhebliche Prognosekraft des Modells für long/short Portfolios. Diese kann mittels linearer Regression nicht sauber herausgearbeitet werden. Im Weiteren werden affine Zinsmodelle verallgemeinert, sodass sie persistente Schocks oder Zustandsvariablen, die nicht durch die Zinsen aufgespannt werden, enthalten können. Dabei kann erstens die Renditeprognose durch die zusätzlichen Faktoren erheblich verbessert werden. Insbesondere steigt das Rø der Laufzeitprämie auf über 30 %. Zweitens leite ich ein Modell her, das sowohl die Zinsen als auch den Aktienmarkt beschreibt, wobei die Dividendenrendite als zusätzliche Zustandsvariable dient. Dieses Modell benutzt die Campbell-Shiller-Linearisierung. Drittens erweitere ich den Querschnitt über die einzelnen Anlagen, indem ich Buchwert/Preis-sortierte Portfolios mit einbeziehe. Dieses Modell liefert erhebliche Evidenz für eine Prognostizierbarkeit des Dividendenwachstums. Sobald das Modell diese Eigenschaft abzubilden vermag, kann es auch einen wesentlichen Teil der Value-Prämie durch eine erhöhte Kovarianz von Value-Titeln mit dem einzigen persistenten Schock im System erklären. Schliesslich benutze ich in dieser Arbeit Rangreduktions-Techniken, um das Prognosemuster zu beschreiben. Diese Analyse schält mindestens zwei unabhängige Prognosefaktoren heraus: die Laufzeit- und die Aktienmarktprämie.