由于行业之间的联系，一个行业的现金流被冲击可能会影响相关行业的预期现金流。在一个无摩擦的理性预期均衡中，投资者很容易认识到特定行业现金流受到冲击对所有行业间的影响。因此，所有相关行业的股价都会立即调整，以完全抑制现金流冲击对所有行业间的影响，而滞后的行业回报率没有预测能力。然而，Hong et al.(2007)结合Merton(1987)和Hong and Stein(1999)的观点，认为信息处理能力有限的投资者专注于特定的细分市场。在这种环境下，当某一特定行业出现现金流冲击时，由于信息处理的局限性，所以专门从事相关行业的投资者无法迅速得出冲击的全部影响。因此，信息在各个行业中逐渐扩散，导致股票价格的延迟调整，从而在滞后行业收益的基础上提高了行业收益的可预测性。
基于整体经济环境中的滞后行业收益，使用机器学习工具来分析行业收益的可预测性。首先为单个行业的收益*一个通用预测模型，该模型的回归量包括30个行业的滞后收益。因为预测回归中包含过多预测变量会导致过拟合风险，所以利用机器学习中的LASSO来拟合稀疏模型。为了避免LASSO系数估计本身的向下偏差(幅度)，通过OLS重新估计了LASSO选择的预测变量的系数。通过控制后选推论和多重检验，样本内结果提供了行业收益可预测性的大量证据，表明股票市场存在与行业相关的信息摩擦。
基于OLS post-LASSOestimation的预测回归去建立一个**的行业轮动组合，用于计算样本外的行业收益预测，该投资组合做多(做空)预测收益较高(较低)的行业。多-空行业轮动组合获得了显著的平均收益，在周期性衰退期间表现良好，并且在主导多因子模型中实现了**过8%的年化alpha。滞后的行业收益信息对于生成经风险调整后的平均收益显得相当有价值，因此为行业相关的信息摩擦提供了样本外的补充证据。

jsjysjfx.b2b168.com/m/