那些奇怪的金融研究（四）：一次檢驗316個因子是一種怎樣的體驗

40年前CAPM模型誕生，金融學界認為市場貝塔是對我們投資預期收益率最好的解釋，這揭開了我們用因子解釋收益率的序幕。從此之後，成百上千篇文獻提出了無數因子去試圖解釋橫截面（也就是同一時期）上的預期收益率，但是這些跨越不同時段、來自不同市場的因子真的都是有效的嗎？

Harvey、Liu和Zhu就幹了這件看上去相當得罪人的事情，他們從既有的文獻里提取出了316個被證明有效的因子，然後重新考察了他們的有效性。感覺有很多老先生如果知道他們要幹這種事情來打臉，應該是壓不住棺材板了。作者自己也吐槽說，其實研究界更喜歡看大家發現新的因子，對於這類複製檢驗型的研究不大熱衷。

當然他們不會窮盡所有文獻里的所有因子，這個工程量大到沒有邊際，而且也沒有必要。他們這篇文章的主要目的在於，檢驗那些被認為在不同市場和不同時期中具有廣泛解釋力的因子，所以他們沒有選擇那些只對於部分股票或者在一定時期內有效的因子，以及那些由於事件驅動的因子也全都排除在外。當然也不是所有公開發表的論文所提出的因子他們都要重新看一遍（畢竟日語寫的也看不懂），他們把主要的研究對象放在發表在金融會計的top類雜誌之上，另外還在SSRN上搜集了最近上傳的工作論文，這些論文一般也要參加過頂級的會議或者已經接受了頂級期刊的評議。最後他們一共篩選出了313篇文獻，並從中確定了316個可供研究的因子。其中大部分因子都是最近10年提出的，他們就是傳說中的「新因子動物園」。

他們把這316個因子分為兩個類型：一個類型是「共同類（common）」 因子，這一類的因子可以用來衡量對於所有股票都有影響的風險，比如宏觀經濟變數、之前提到的市場組合回報率等等；另一個類型是「個體類（individual）」因子，這類因子可能只對特定股票產生作用，很多時候我們把這類股票叫做個股的特徵。

△文中使用的共同類因子

△文中使用的個體類因子

於是三位作者開開心心地開始了這場挖墳之旅。他們一共使用了3種方法來檢驗這些因子在統計上的顯著性，不過他們對不同時期提出的因子顯著性做出了不同規定，與大多數研究要求t值大於1.96不同，他們要求新近提出的因子的t值要大於3，也就是說它們要比舊因子在統計上更顯著，才能被認定為有效。他們發現，在原來的研究研究下被認為有效的296個因子中，在第一種方法下有158個被認為是無效的，而在第二種和第三種方法下，無效因子的數目也達到了142和132個（第三種方法做了兩個閾值，另外一個閾值下，無效因子數目為80）。

事實上，這篇論文是向我們目前採用的統計方法投出了一篇檄文，他們認為人們對統計方法的迷信壓倒了對經濟邏輯的推崇，統計手段上的相關性可能並不代表明確的經濟含義，但是我們會因為追求顯著性而提出很多「駭人聽聞」的結論。而這其實也是Ioannidis在2005年的另一篇研究《為什麼大多數研究的結論都是錯的（Why Most Published Research Findings Are False）》的結論，他認為採取不同的統計方法得出的結果肯定是不同的，但是由於審稿編輯更偏愛那些驚世駭俗的觀點，所以研究者們也偏好使用那個可以得出神奇結論的方法，而不是關注這個方法到底是否符合理論需要。所以這篇論文也強調，如果要求未來金融研究的理論結果更靠譜，我們需要修正統計方法的篩選流程。

他們對於300多個因子的同時檢驗，其實也揭示了近年來金融研究的一些困惑，比如我們有了更多更好的方法和數據，也提出了更多更新的解釋，但是這反而使得我們對市場的理解更加複雜化，經濟邏輯也許可以讓我們限制自己在一個模型中投入的變數數，但是實際上我們也總能找到新的依據來為自己增添的變數提供註腳。所以這也許是金融研究中的一個有趣的矛盾：大部分被認為可以打敗市場的策略，最後都輸給了市場，而大部分對市場規律進行剖析的結論，其實也都不正確。

【文本首載於微信公眾號「有金有險」】

倍發科技投資研究系統（Betalpha BAR 1.0）：點擊試用

風險管理工具 / 量化投資知識 / 金融大講堂 微信公眾號：betalpha2015（或直接輸入「有金有險」）

推薦閱讀：