Probabilistic forecasting of the equity risk premium using quantile machine learning

Vi predikerer sannsynlighetsfordelingen til risikopremien i aksjemarkedet (ERP) ved hjelp av de trebaserte maskinlæringsalgoritmene quantile random forest (QRF) og quantile gradient boosting (QGB). For å trene algoritmene brukes et velkjent og etablert datasett fra litteraturen. I tillegg til å predikere den månedlige risikopremien, predikerer vi fremtidig ett- og femårs gjennomsnittlig månedlig risikopremie. For å evaluere modellene sammenlignes de med to referansemodeller, en historisk modell og en regularisert kvantilregresjonsmodell. Ved predikering av månedlig og ettårs risikopremie oppnår verken QRF eller QGB bedre punktestimater enn referansemodellene. Likevel oppnår modellene gode resultater for predikering av sannsynlighetsfordelingen til risikopremien. Tester for statistisk signifikans viser imidlertid at modellenes prediksjoner ikke er signifikant bedre enn referansemodellene. Ved predikering av femårs gjennomsnittlig månedlig risikopremie predikerer både QRF og QGB betydelig bedre enn referansemodellene, både for punktestimater og for prediksjonsintervallene, særlig opp til 60\%-intervallet. Vi fastslår dermed at maskinlæringsmodellene er verdifulle for predikering av punktestimater og sannsynlighetsfordelingen til den langsiktige risikopremien. I tillegg evalueres enkeltvariablenes evne til å predikere ERP, og resultatene indikerer at noen variabler er viktigere enn andre. Variabelen produksjonsgap (ogap) skiller seg ut som spesielt nyttig i predikering av langsiktig femårs gjennomsnittlig risikopremie, for både QRF og QGB.