本文介绍并研究了预测资产收益的可加模型，新模型克服了当预测变量为高度自相关的非平稳时间序列时线性预测回归模型的内生性和不稳定性问题。研究发现多种预测变量都是高度自相关的，为了刻画真实数据的这种性质，我们引入临近单位根的假设。本文的主要创新在于对邻近单位根时间序列下非参数可加模型的估计和检验，研究得出的许多结论为有关资产收益预测的文献做出了贡献。我们首先采用投影估计的方法对可加模型进行估计。在采用局部线性估计出回归曲面的基础上，通过对回归曲面投影从而得到模型的每一个可加项。第二，在投影估计的基础上，我们采用两阶段的估计法对偏残差进行第二阶段的局部线性估计。其中，投影估计和两阶段估计的带宽选择满足最小化RMSE的条件。第三，我们结合三次平滑样条函数对可加模型实施循环的后退拟合估计，其中平滑系数的选取满足最小化GCV的条件。借助于Monte Carlo模拟，我们发现非参数的可加模型在大多数情况下都优于线性预测回归模型。通过将一般似然比检验与wild bootstrap相结合，我们证明不同周期的股票市场收益率都具有一定的可预测性，高度自相关的预测变量对股票市场收益率具有预测能力，并且股票市场的收益率序列与预测变量序列间存在不同程度的非线性联系。模拟试验还表明结合wild bootstrap的一般似然比检验具有合理的效能和第一类统计错误概率。文章最后将非参数的可加模型运用到1968年至2008年的S&P500综合指数样本，从中我们证明了非参数的可加模型能够很好的模拟真实的股票市场收益率的波动。同时，我们发现高度自相关的股息生息率和市盈率具有估测股票市场收益率的能力，并且年度、季度和月度的预测变量与股指收益率之间均呈现不同程度的非线性关联。