Cross-Industry Return Forecasting and Economic Linkages

Abstract

본 연구는 머신 러닝 기법을 토대로 미국 전체 생산네트워크 상에서 지연 효과를 동반한 산업 분야별 수익률 정보를 이용하여 산업별 수익률의 예측효과를 확인하고자 한다. 같은 정보를 예측 분석 회귀 모형에 대입하여 한달 후의 관련 산업의 수익률을 예측할 수 있는 기간 산업의 종류를 확정하였고, 이를 통해 통상적으로 산업분야 간에 존재하는 소비자-공급자 관계성을 검증할 수 있었다. 또한, 해당 기간 산업이 타 산업의 소비자 또는 공급자 역할을 수행한다는 것을 네트워크 분석을 통해 확인했다. 추가적으로 표본 외 오차에 해당하는 5개 산업의 포트폴리오를 분석한 결과 전례 없이 높은 연율로 환산된 위험조정수익 (Risk Adjusted Return, RAR) 이 존재한다는 사실을 알아냈고, 머신 러닝 모형이 연구 결과를 입증하는데 효과적이었음도 밝히고자 한다. 상호연관성이 높은 산업분야 간에 존재한다고 알려진 정보의 점진적 확산 이론에 기초하여 본 연구 결과를 분석했을 때, 본 연구는 자본시장에 정보 마찰이 존재한다는 통설의 설명과도 부합한다.

In this thesis, I adopt a machine learning approach to investigate the predictive power of industry returns using information from lagged sector returns covering the entire U.S. production network. The predictive regression framework identifies key industries able to forecast another individual industrys return lagged by one-month, revealing many economically intuitive customer-supplier relationships between sectors. Network analysis is carried out to examine the relationship between a sectors predictive power and this industrys importance as a customer and supplier in a web of industries. Constructing five out-of-sample industry portfolios, the resulting unprecedented high annualized risk-adjusted returns compared to previous studies, highlight the relevance of the machine learning technique used in this thesis. In accordance with the theory of gradual diffusion of information between interconnected industries, the results are supportive of the existence of information frictions in equity markets.