[论文解读] Unveiling the Impact of Macroeconomic Policies: A Double Machine Learning Approach to Analyzing Interest Rate Effects on Financial Markets

Anoop Kumar, Suresh Dodda+2 more|arXiv (Cornell University)|Mar 31, 2024

Monetary Policy and Economic ImpactEconomics, Econometrics and Finance被引用 3

一句话总结

本研究采用双机器学习（DML）框架，结合梯度提升与因果推断，分析1986年至2021年期间美国联邦储备利率变动对固定收益类与股票型共同基金回报的影响。研究发现，利率上升1%会使主动管理型基金回报率下降11.97%，而被动型基金的敏感性较低，表明机器学习在识别宏观经济因素对金融资产的因果影响方面具有强大能力。

ABSTRACT

This study examines the effects of macroeconomic policies on financial markets using a novel approach that combines Machine Learning (ML) techniques and causal inference. It focuses on the effect of interest rate changes made by the US Federal Reserve System (FRS) on the returns of fixed income and equity funds between January 1986 and December 2021. The analysis makes a distinction between actively and passively managed funds, hypothesizing that the latter are less susceptible to changes in interest rates. The study contrasts gradient boosting and linear regression models using the Double Machine Learning (DML) framework, which supports a variety of statistical learning techniques. Results indicate that gradient boosting is a useful tool for predicting fund returns; for example, a 1% increase in interest rates causes an actively managed fund's return to decrease by -11.97%. This understanding of the relationship between interest rates and fund performance provides opportunities for additional research and insightful, data-driven advice for fund managers and investors

研究动机与目标

• 检验1986至2021年间美国联邦储备利率变动对共同基金回报的因果影响。
• 在双机器学习（DML）框架下，比较梯度提升与线性回归模型在因果推断中的表现。
• 探究主动管理型与被动管理型基金对利率冲击的敏感性差异。
• 为基金经理和投资者提供关于利率风险敞口的数据驱动洞察。

提出的方法

• 本研究采用双机器学习（DML）框架，估算利率变动对基金回报的因果效应，适用于高维设定下的稳健推断。
• 在DML框架中，使用梯度提升（如XGBoost）和线性回归模型作为机器学习估计器，用于预测基金回报。
• DML方法通过首先利用机器学习方法估计干扰参数（如条件均值和倾向得分），实现对混杂变量的控制。
• 该方法将因果效应估计与条件期望估计分离，从而在高维数据中降低偏差。
• 分析涵盖36个月度数据，涵盖固定收益类与股票型共同基金，区分主动管理与被动管理风格。
• 通过双重稳健性特性验证因果推断，确保即使其中一个干扰模型设定错误，估计结果仍具有一致性。

实验结果

研究问题

• RQ1 1986至2021年间，美国联邦储备利率变动如何因果影响固定收益类与股票型共同基金的回报？
• RQ2 主动管理型共同基金是否比被动管理型基金对利率变动表现出更高的敏感性？
• RQ3 在本金融应用场景的DML框架中，梯度提升与线性回归哪种机器学习模型能提供更准确、更稳健的因果估计？
• RQ4 宏观经济政策变动，尤其是利率变动，对共同基金投资组合系统性风险的影响程度如何？

主要发现

• 美国利率每上升1%，主动管理型共同基金的回报率显著下降11.97%。
• 被动管理型基金对利率变动的敏感性较低，支持其相较于主动管理型基金对利率风险暴露更小的假设。
• 在DML框架内，梯度提升在预测基金回报方面优于线性回归，展现出更高的预测准确性和稳健性。
• DML框架成功隔离了利率变动对基金回报的因果效应，即使在存在高维混杂因素的情况下亦成立。
• 本研究证实，当机器学习技术与因果推断结合时，可在金融计量经济学中产生可靠且可操作的洞察。
• 研究结果为在非线性和高维情境下应用双机器学习分析宏观金融关联提供了实证支持。