可預測性的研究通常依賴於有關市場回報可預測性的預測變量。
例如：股息收益率、名義收益率和收益率利差。

當特定行業出現現金流不穩定時，訊息處理的限制會阻礙專門從事相關行業的投資者快速了解市場。
由此導致的股票價格的延遲調整，導致基於滯後行業回報的可預測性。

最小二乘(Ordinary Least Squares, OLS)

預測回歸模型中存在過多的潛在預測變量，傳統的普通 OLS 估計有潛在的缺點。
如果使用所有滯後回報，大量的預測變量會使 OLS 估計容易出現過度擬合。
如果只選擇少數滯後回報，則很難先驗地知道哪些是最重要的。

Lasso演算法

採用最小絕對收縮和選擇運算子(least absolute shrinkage and selection operator, Lasso)方法可以防止高維設置中的資料過度擬合，並選擇最相關的預測變量。

LASSO 依賴於 L1 懲罰項，因此它允許某些權重收縮到恰好為零。
因此，它執行變量選擇，這通常會產生稀疏模型，減輕了資料的過度擬合。
稀疏性有兩個關鍵優勢：

1. 將"不重要"權重設置為零有助於避免資料過度擬合。
2. 通過識別最相關的預測變量來促進對估計模型的解釋。
   但它也傾向於"過度縮小"所選變量的權重。
   這種趨勢可能導致估計權重出現顯著的向下偏差。

Post-LASSO OLS 估計

使用 LASSO 來降低模型的維度；為了減少 LASSO 權重估計中的偏差，使用 OLS 重新估計所選預測變量的權重。