在2020年3月新冠病毒冲击之后，股价急剧下滑，这反映投资者对经济活动预期的恶化，以及总的风险规避倾向的上升。然而在随后的月份里，尽管经济活动维持低迷，股市急剧反弹。这种股市价值和宏观变量的脱节可以部分地有其他因素所揭示，也就是无风险利率的下降，以及，对于美国IT部门的强盈利能力。结果是，试图用新冠危机期间从的股市变量来预测经济活动的计量经济学家，可能会得到糟糕的预测结果。本文的核心思想就是基于部门的、非加总的股市变量，在一个引子模型中，去预测未来美国的经济活动。研究发现，首先，相比总的股市变量，或者是宏观经济预测中采用的传统基准，因子模型更好地预测未来经济活动（在样本内和样本外都是如此）。其次，研究发现因子模型的良好表现源自以下事实——模型滤除了部门股票变量的预期收益成本，以及总未来现金流的外国成本，而且，它还超载了上游的、价值部门，这些部门被发现与美国经济周期的未来态势密切相关。

用金融指标预测宏观经济变量被证明是一项具有挑战性的任务，一个令人意外的结果，考虑到金融变量，如债券收益和股价应当考虑对未来经济活动的预期。股票市场的发展和经济活动这二者近年来的背离，已经关注金融和实体经济之间的明显脱钩。在2020年3月新冠危机冲击之后，股价急剧下降，这反映投资者对未来经济活动的预期恶化，以及总的风险规避倾向的上升。然而在随后的月份里，另许多人吃惊的是，虽然经济活动维持相对低迷，但股市急剧反弹。

一个简单的解释就是，股价不但反映了预期未来现金流和投资者风险规避倾向，而且也反映了无风险利率水平。聚焦美国的案例，美国10年期主权债券利率从2020年3月只8月有所下降，于是可以部分地解释股价的反弹。

然而，前面所说的只是部分的解释，我们认为这个看似谜团的东西，能够完全地与数据协同起来，通过认识到以来给定的总量股价指数丢弃了大量的非常重要的信息，尤其是在经济周期转折点的时候。特别地，美国总的股票指数可能被其他因素所影响，而这些因素没有完全反应美国经济的状态。比如，标准普尔500指数在2020年由IT行业公司所驱动，这些公司的估值或者主要依赖国外经营活动，或者与美国经济表现呈正交，因为他们的盈利能力主要由新冠疫情期间的限制出行政策所驱动。结果是，试图用新冠危机期间总的股票变量预测经济活动的计量经济学家，可能得到的是糟糕的结果。

在本文中，讨论了这个问题，通过在因子模型中基于行业的非集中的股权变量，参考Kelly等（2013），来预测未来一段较长时期内美国经济活动。因此，这项研究包括了一个较少见的案例，在其中，股市变量特别地用于进行宏观经济预测。进一步地，本文对出乎意料的少量文献（仅基于行业股票变量）做出了贡献。据我们所知，本文是第一篇用因子模型去抽取非加总的行业股价中的预测性信息成分。即便是估计因子模型来预测经济活动（基于大数据）也通常没有能够超出总量股价指数的范围。

我们得出了三个主要结论：

首先，我们发现基于行业变量构建的因子（也就是行业红利收益率，DYs）能更好地预测未来经济活动，当由工业产出增长来测度的时候，相比同样的有汇总的股票变量来测度时。进一步地，我们发现因子模型也典型地超越了传统的基准模型（用于宏观经济预测），比如基于期限利差或者滞后IP增长的单变量模型，特别是在IP负增长时期。在我们的基准设定模型中，我们预计未来12个月的IP增长，但是这些结果对于18个月和24个月同样适用，不管是在样本内还是在样本外。我们还发现我们的因子模型有助于提升一个广泛使用的因子模型（Stock等（2002））预测精度，该模型主要依赖大量宏观金融变量（但不是行业股票指数）。

其次，借鉴Campell等（1988）的现值公式，我们发现因子模型提升了预测精度，当与加总的变量相比较时，因为它滤除了行业股去哪变量中的预期收益/折现率成分，以及加总未来现金流中的外国成分。我们将这种滤除关联到以下事实——我们的因子模型的优越表现，当在IP负增长时，如新冠大流行时期或是全球金融危机时期，尤为强烈。因为预期收益更为剧烈波动，当在经济衰退时期，它们倾向于特别是影响，在这些时期里，加总的DY的预期精度，但不是我们的因子模型。

第三，考察经济活动中的特定行业的敞口因子，我们发现我们的因子模型对上游行业（基础行业和其他工业投入品行业）和价值行业，赋予较多权重，而后者被发现与美国经济周期更为紧密相连（Koijen等，2017）。