Forecasting stock returns out-of-sample: How deeply can we trust our predictors?

Abstract

The growing acceptance about the stock returns’ predictability, triggered the desire of discovering variables amongst financial, economic or macroeconomic indicators that presented some kind of statistical significance as predictors. However, when Goyal & Welch (2008) presented a study where they inferred about the predictive capacity of a long list of commonly used predictors, it had a great impact on the finance community. Using all the information available to a representative investor at each moment of the sample to forecast the next period’s return (i.e. the out-of-sample approach), they conclude that a simple historical mean of the past returns would perform better than the models proposed by the literature. Those models would not have been of any help to an investor to profitably time the market. Up to this day, these findings created a major challenge in finance: Which models are capable of beating the historical mean, after all? This dissertation rebuilds the Goyal & Welch (2008) analysis, explaining how a model might become statistically significant and how an investor should analyze the predictors, apart from their level of statistical significance, before using them to time its investment decisions. After all, how deeply can we trust our predictors? It was concluded that, when there is statistical evidence of predictability from a model, it is not usually because of a consistent relationship between the variables, but because of performance peaks during abnormal stock return periods, resultant from financial and economic crises, instead.

O crescente consenso sobre a possibilidade de prever retornos bolsistas levou à busca e estabelecimento de indicadores de áreas financeiras, corporativas ou macroeconómicas que gerassem algum tipo de evidência estatística em preditores. No entanto, o entusiasmo deu lugar à apreensão quando Goyal e Welch (2008) apresentaram os resultados de um estudo, onde testavam uma lista de indicadores comummente utilizados na previsão de retornos. Utilizando toda a informação disponível aos investidores a cada momento da amostra para calcular o retorno previsto para o período seguinte, foi concluído que a utilização de uma simples média dos retornos passados tinha um melhor resultado que os modelos tradicionalmente apregoados pela literatura. Os investidores não teriam, portanto, lucrado com a utilização de tais modelos. Até hoje este estudo gerou um desafio na comunidade financeira: Que modelos são, afinal, capazes de suplantar uma simples média aritmética? Esta dissertação refaz a análise de Goyal e Welch (2008), explicando quais as razões que levam modelos econométricos a estabelecerem relações significativas de previsão de retornos e como deve um investidor analisar a consistência dessas relações, antes de as aplicar à sua tomada de decisões de investimento. Afinal, até que ponto podemos confiar nos nossos modelos? Foi concluído que a evidência estatística, nos raros casos em que a há, é obtida não de uma forma consistente, desejável, mas sim graças à capacidade pontual que estes modelos demonstram em crises económicas e financeiras extraordinárias, onde se vivem períodos de retornos anormais.