主要观点：
　　本文利用机器学习技术研究了宏观经济因素和情绪因素在预测股市收益方面的优劣。作者发现，单独使用宏观经济变量或情绪变量并未改善组合的夏普比率，而将这两类因素结合后，夏普比率从0.48提升至0.62，并且投资的回撤幅度大约减少了30%，从53个百分点降低至36个百分点。这一改善在经济和统计意义上都具有显著性。作者进一步评估了不同经济周期下策略的表现，发现宏观经济变量在市场扩张期间通常优于情绪变量，而在衰退期间则表现较差。在衰退晚期，尤其是股市接近底部时，宏观经济变量和情绪变量的综合表现特别强劲。作者的发现对于所选择的机器学习技术具有稳健性，并表明情绪和宏观经济信息是互补的，因此，投资者应综合考虑这两者。
　　结合宏观经济变量和情绪变量的机器学习模型的投资组合在表现上优于被动投资组合
　　当宏观经济变量和情绪变量结合时。LASSO投资组合（Lass_port）在所有表现和风险度量类别中都是优越的策略。它具有所有投资组合中最高的年化回报（9.49%）、夏普比率（0.627）和Sortino比率（0.314），包括SPX（7.39%，0.481，0.229）。此外，LASSO组合的最大回撤为36.00%，而SPX的最大回撤超过52.50%。
　　经济变量与情绪变量具有互补性
　　在扩张期间，情绪变量未能提供增量。基于宏观经济变量的策略提供0.70的夏普比率，超过了基于情绪策略的0.56和同时使用宏观经济和情绪变量策略的0.65。然而，任何策略均未能超越买入持有基准策略。在衰退期间，依赖于宏观经济或情绪变量的策略表现不佳。宏观经济策略的夏普比率为-1.06，情绪策略的夏普比率为-0.85，均低于基准买入持有策略的-0.76夏普比率。然而，基于这两类信息的综合信号的策略夏普比为0.47，表现出色。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。