是否有任何關於應用狀態空間或動態線性模型來預測股票風險溢價的研究？

是否有任何研究應用狀態空間或動態線性模型來預測中期期限（例如 3 個月至 12 個月）的證券風險溢價？

馬爾可夫模型是狀態空間模型的一種特殊情況，其中狀態是離散的。對這些 MM 和 HMM 進行了大量研究（從Ryden 1998 開始），但在我看來，採用狀態為連續變數的方法有一些優勢。我看過Johannes、Lopes 和 Carvalho 的論文，他們專注於更短的視野，並證明了 PL 優於 MCMC 方法。

在我看來，這種方法可以以傳統面板模型無法擷取的方式擷取時間序列依賴性和橫截面依賴性。此外，由於歷史押韻但不重複，長記憶狀態空間模型似乎比 HMM 更好。

在我沿著這條多風的道路前進之前，我很好奇那裡是否有人已經嘗試過這個，或者這種方法是否存在弱點。例如，也許狀態空間或粒子過濾模型僅在預測範圍非常短時才能發揮最佳效果。

這是Dangl、Halling 和 Randl (2006)的一篇論文，該論文使用動態線性模型來預測股票風險溢價。

我認為，與許多投資決策支持的機器學習方法一樣，它在很大程度上取決於數據。有了很好的功能選擇，是的，像您所說的動態模型可能會比簡單的線性回歸做得更好；但是話又說回來，如果選擇了很好的特徵，線性回歸也可能會很好地工作。另一方面，如果特徵選擇不佳，您可以使用世界上任何統計模型，但它都行不通——簡單地說，您無法從不存在的模式中學習。

除此之外，您還可以通過將您的搜尋從您描述的模型推廣到所有貝氏動態模型來獲得收益。

引用自：https://quant.stackexchange.com/questions/1777