這是確定估值因素相對重要性的合理方法嗎？
我試圖提出一些估值因素的相對重要性的衡量標準。我想知道相關係數是否不能用於確定這一點。
關於這個問題的更多資訊： 我的目標是在將目前估值指標與歷史數據進行比較時，確定行業是被高估還是被低估。例如，假設我有非必需消費品行業的市盈率和市盈率指標，在市淨率的基礎上，該行業被低估，但在市盈率的基礎上被高估。當您的估值指標相互矛盾時，我正在嘗試建立一種方法來解決這個問題，從而得出高估/低估的決定。
我的想法是在 t-1 時間使用指標並在 t 時間返回。使用這些數據，我想我可以找到相關性，並在嘗試建立一種機制來確定一個行業是被高估還是被低估時使用相關係數作為相對權重。
這是一個合理的方法嗎？您的任何建議都會有所幫助。謝謝！
您是否真的對不同指標的排名感興趣，或者您只是想知道如何將它們結合起來以盡可能地做出最好的預測？有什麼理由不能同時使用幾個嗎？
相關係數肯定是一個合理的起點。如果你這樣做，你會遇到兩個明顯的問題：
- 相關係數並不能告訴你這種關係在經濟上有多重要，而只是在統計上有多重要。換句話說，某個變數可能與收益密切相關，但是對於變數的不同值，收益的差異可能非常小。但是，如果您要比較同一人群的不同預測變數，則存在總的變異性，具有較高相關係數的東西會解釋更多。但是，您可能無法將所擁有的所有資訊都視為收益。例如，能夠辨識大輸家和大贏家可能比將大量的小贏家和小輸家從彼此中挑選出來更有價值。
- 你會發現你的指標是相互關聯的。您如何衡量每個人對確定估值的貢獻？通常，如果您有兩個變數，則兩者一起預測的效果比單獨使用任何一個都好。您可能希望使用不同的參數集進行各種線性回歸，並使用某種方式來確定哪個是最好的。相關係數與單變數回歸密切相關，因此這種方法是使用相關係數的一種概括。
在時間 t-1 進行校準並使用結果來預測時間 t 也是一種合理的方法。你應該小心過度擬合。這是當您開發一個沒有任何實際內容的模型時，只是巧合地與某事在 t-1 中的表現完全匹配，因此在任何其他時期都不起作用。您可以花更多時間尋找對所有這些都有效的東西來嘗試解決這個問題。或者，您可以使用對數概似等各種技術來衡量模型的最佳複雜程度。
如果您真的想單獨比較不同的指標，紙面交易可能是一個好方法，儘管它比統計意義更具有財務意義。為每個指標制定類似的策略，例如。買入最好的 10%，做空最差的 10%，看看哪一個會在一段時間後賺到最多的錢。這將迫使您決定在什麼時間範圍內尋找回報（或開發一些其他方式來選擇何時平倉），這對於統計策略至關重要。
您描述的查看一個時期的估值指標與下一時期的回報的方法類似於橫斷面因子模型，如 Barra 或 Fama-Macbeth 過程。在這些方法中，您不是查看相關性，而是根據您想要的任何因素（例如估值指標）對回報（或超額回報或 alpha）進行橫截面回歸。回歸係數代表各種因素的回報。這些因素的預期回報和波動性將決定它們的相對重要性。