继Degiannakis和Filis（2017）和Zhang等人（2019）的研究之后，本书研究采用改变方向（Direction-of-Change，DoC）作为评估样本外预测的额外评估方法。表7-9显示了Pesaran和Timmermann（1992）的变化方向（DOC）率和PT统计数据。本书考虑了所有在本研究中使用的预测模型，包括基准模型（AR-RV）、AR-KS模型、AR-PCA模型、5个组合模型和两个收缩模型。使用了两个估计窗口，即滚动窗口和递归窗口。粗体数字突出了DOC率和PT统计数据的两个最大实例。DOC率的统计意义是基于PT统计量的p值。显然，对于所有预测模型，都在1％的显著性水平上，研究拒绝了无方向精度的零假设，这意味着所有预测模型在方向预测中的成功。此外，与基准模型AR-RV、AR-KS、AR-PCA、Mean、Mesian、Trimmed mean、DMSPE（1）和DMSPE（0.9）相比，Elastic-all模型和Lasso-all模型产生的DOC率要大得多。这些结果与基于MCS检验和样本外R2的结论是一致的。

表7-9　变化方向(www.daowen.com)

注：本表显示了变化方向（DOC）率和Pesaran和Timmermann（1992）提出的PT统计数据。实证考虑了本研究中使用的所有预测模型，包括基准模型（AR-RV），AR-KS模型，AR-PCA模型，5种组合模型和两种收缩模型。研究采用两个估计窗口，即滚动时间窗和递归时间窗。粗体数字突出显示了变化方向DOC率和PT统计数据的两个最大实例。对DOC率的统计意义是基于PT统计量的p值。样本包含了2 029次观测值。整个样本期间为2011年3月18日至2019年3月20日。初始抽样期为1 200。***表示在1％水平上的显著。