Week 5 实证资产定价

Empirical Asset Pricing: Methods, Models, and Evidence

课程概览

讲授部分（2.5-3小时）

  • Module 1: 基本框架与核心逻辑（40分钟）
    • SDF、线性因子模型、核心变量设定
  • Module 2: 五大经验方法（50分钟）
    • 时间序列/FM/排序/特征回归/SDF-GMM
  • Module 3: "显著"的三重含义与检验框架（40分钟）
    • 显著 / 显著 / 显著、实证可靠性三要素
  • Module 4: 风险 vs 错误定价的判别框架（30分钟）
    • 四层判别框架、机器学习时代的新范式

实践部分（1-1.5小时）

  • 分组项目制（3-4人/组）
  • 7个可选研究主题
  • 实践操作与答疑
  • 分组汇报与讨论

学习成果

知识维度

  • 随机贴现因子（SDF）、线性因子模型的核心思想
  • 五大主流方法及其适用场景
  • "显著"的三种含义及相应检验框架
  • 风险补偿与错误定价的判别逻辑

技能维度

  • 独立进行完整的因子模型实证研究
  • 正确选择和应用五大方法之一
  • 做出稳健的统计推断
  • 解释实证结果，判断异常收益的经济成因

科学素养

  • 对数据发现的警惕心和批判精神
  • 学术严谨性和规范意识

课程结构

graph TD L1["实证资产定价专题"] --> L2["讲授部分"] L1 --> L3["实践部分"] L2 --> M1["Module 1
基本框架与核心逻辑"] L2 --> M2["Module 2
五大经验方法"] L2 --> M3["Module 3
'显著'的三重含义"] L2 --> M4["Module 4
风险vs错误定价判别"] L3 --> P1["分组选题与分工"] L3 --> P2["实践操作与答疑"] L3 --> P3["分组汇报与讨论"]

Module 1

基本框架与核心逻辑
  • 导入问题：为什么不同资产的平均收益不同？
  • 资产定价的基本逻辑：SDF与线性因子模型
  • 核心变量与基本设定
  • 预期收益的两个层面：时间序列与横截面
  • 小结与思考

1.1 导入问题：为什么资产收益不同？

核心问题链：

为什么不同资产的平均收益不同？
         ↓
是对系统性风险的补偿，还是市场错误定价？
         ↓ 
如何用理论和数据区分这两种可能？
         ↓ 
这涉及模型设定、估计方法和检验框架三个环节

案例：小盘股溢价

假设发现"小盘股长期平均收益 > 大盘股"。三种可能的解释：

  1. 风险补偿解释：小盘股面临更高的系统性风险（如流动性风险、衰退期表现差），投资者要求风险补偿
  2. 错误定价解释：市场参与者因信息不完全、交易成本、行为偏差等原因，导致小盘股被系统性低估
  3. 数据巧合或其他机制：样本选择偏差、测度误差或遗漏了其他因素

关键：这三种解释无法仅通过统计显著性来区分，需要多层面的证据

1.2 资产定价的基本逻辑

定理1：无套利下的 SDF 约束

在无套利市场中，存在一个随机贴现因子（Stochastic Discount Factor），使得任何资产 的（以当前价格为基准的）毛收益率（gross return）

满足：

同时采用无风险资产的 SDF 归一化：

超额收益形式：
令无风险毛收益率为 ，并定义超额收益

则有

经济意义：
• 资产值多少钱（资产的期望回报与价格），不只是由“这只股票波动有多大”决定；更关键的是它的回报在贴现权重下的变化方式。
• 因而应关注 与 的相关性/协方差结构，而不是只看波动幅度。

贴现因子越大对应的状态通常意味着“边际效用更高/更不利”，因此在这些状态下资产是“涨”还是“跌”会直接影响其定价。

SDF 约束的直观理解

例子： 两只风险资产 A 和 B，总波动率（方差结构）相同，但它们在好/坏状态下与 的关系不同。

情景 资产A 资产B
经济繁荣 收益高 收益低
经济衰退 暴跌 反而强势（收益上升）
与 关系 ↑时收益↓ ↑时收益↑
期望收益要求 高（需要风险补偿） 低（类似保险）

启示： 总波动率（或方差结构）相同的资产，期望收益可能完全不同；关键在于资产在 贴现权重较高的“坏状态/不利状态” 下的表现，以及其与 的协同变化方式。

风险溢价与 SDF 的协方差关系

由

并结合 ，可得

因此：若资产收益在 较大（坏/不利）时更差（即与 正相关），则其期望超额收益更高；若在坏状态反而表现更好（对冲坏状态），则期望超额收益更低。

线性因子模型

定理2：线性因子模型与期望收益关系

在实证中，通常假设SDF可以写成线性形式：

其中为"因子"（如市场收益、规模溢价等）。

代入SDF约束，可得：

其中：

  • ：资产对因子的暴露（敏感度）
  • ：因子的风险价格（risk premium）

某资产的期望超额收益 = 其对各因子暴露 × 对应因子的风险价格

1.3 核心变量与基本设定

设定1：时间序列因子模型

参数 含义 理论期望
资产在期的超额收益（相对无风险利率） —
因子向量（如市场超额收益、SMB等） —
暴露向量，资产对各因子的敏感度 任意
定价误差（alpha） 0（模型正确定价）
模型残差 均值为0

横截面定价关系

设定2：横截面定价关系

对于某一时期，资产横截面上的平均收益应满足：

其中为因子风险价格。在有效模型下，定价误差应不显著。

关键连接：

  • 时间序列模型：估计（因子暴露）
  • 横截面模型：估计（风险价格）
  • 两者的桥梁：若模型正确，

1.4 预期收益的两个层面

困惑： 实证中既有"时间序列"的因子模型，又有"横截面"的定价关系，两者是什么关系？

理论框架（基于SDF）

期望收益的横截面关系：

实证设定（假设市场是线性因子模型）

时间序列回归：

若模型正确（且因子暴露在样本区间内稳定、风险价格为常数/不时变），时间序列回归估计得到的 （在样本充分时）应收敛到横截面关系中使用的总体 ，同时 应接近0

三个重要的等式关系

  1. 样本内一致性（在参数稳定下）：

    定价误差接近

  2. 模型检验可从两个角度：

    • 时间序列角度：检验每个资产的是否为0（联合GRS检验）
    • 横截面角度：检验因子是否被定价（FM两步法）

  3. 重要结论：

    • 某因子显著 该因子被定价
    • 因子被定价 模型一定正确
    • 在给定测试资产集合上，若（逐个或联合意义下），则支持模型能够正确定价这些资产

1.5 Module 1 小结

要点总结：

  1. 资产定价的理论基础是SDF无套利约束
  2. 线性因子模型是这一约束的经验可操作化
  3. 期望收益差异应由"在坏时刻的表现差"来解释，而非简单的波动率
  4. 实证检验可从时间序列或横截面两个角度展开

思考题：

  • Q1: 为什么某资产的总波动率大，但预期收益反而可能更低？
  • Q2: "某因子显著"和"该因子被定价"有什么区别？
  • Q3: 如果一个模型的检验通过了，是否就意味着该模型一定正确？

Module 2

五大经验方法
  • 方法概览与适用场景
  • 方法1：时间序列因子回归
  • 方法2：Fama-MacBeth两步法
  • 方法3：排序组合
  • 方法4：特征回归
  • 方法5：SDF/GMM方法
  • 机器学习方法（高阶）
  • 总结与方法选择指南

2.1 方法概览与适用场景

方法 核心思想 主要检验对象 适用场景
时间序列回归 对每个资产做时间序列回归，检验 定价误差 多资产定价检验、模型有效性
FM两步法 先估计，再在横截面上检验 风险价格 因子定价检验、因子重要性比较
排序组合 按特征分组，比较高低组平均收益 特征与收益的关系 异常收益发现、新规律识别
特征回归 直接在收益上回归特征 特征的预测能力 特征效应识别、特征定价检验
SDF/GMM 从理论SDF约束出发，用GMM检验矩条件 定价核可行性 理论模型检验、多资产联合定价

2.2 方法1：时间序列因子回归

基本模型：

对个测试资产分别回归，得到及其标准误。



步骤1：因子选择与构造

因子 定义 代表论文
市场因子 Sharpe (1964) CAPM
规模因子 Fama & French (1993)
价值因子 Fama & French (1993)
动量因子 Carhart (1997)
盈利因子 Fama & French (2015)
投资因子 Fama & French (2015)

时间序列回归：步骤与检验

步骤2：回归与假设检验

对每个资产，以FF3为例：

检验：

  • 单个资产： vs
  • 联合检验（GRS检验）： vs 至少一个

Gibbons, Ross & Shanken (1989) 提出GRS统计量：

其中为残差协方差矩阵，为因子协方差矩阵，为因子均值向量。

标准误的正确选择

时间序列回归残差的特征：

  • 自相关（autocorrelation）：月度或日数据中常见
  • 异方差（heteroscedasticity）：跨资产或跨时间变化

正确的标准误选择：

标准误类型 处理问题 代表方法
OLS标准误 无（理想情况） —
White稳健SE 异方差 White (1980)
Newey-West SE 异方差 + 自相关 Newey & West (1987)
聚类稳健SE 跨截面相关 Cluster-Robust
NW + 聚类 同时处理 双聚类

常见错误： ❌ 使用OLS标准SE（严重低估）→ 导致t值虚高

Newey-West标准误

说明：
使用 Newey & West (1987) 的 HAC（Heteroskedasticity and Autocorrelation Consistent）估计，为时间序列回归（或相应矩条件）的系数/时序统计量提供稳健标准误，用于同时处理异方差与自相关。

滞后阶数选择（经验规则）：

  • 一般取
  • 若为月度数据，常用 或 做敏感性检验
  • 滞后阶数会影响标准误大小与显著性结论

时间序列回归：结果解读


检验结果 解读
多数资产显著 > 0 模型低估了某些资产的收益
多数资产显著 < 0 模型高估了某些资产的收益
大幅偏离0，GRS联合检验显著 模型存在系统性定价误差
，GRS不显著 模型在统计上可接受

2.3 方法2：Fama-MacBeth两步法

问题提出：

时间序列回归检验的是每个资产的。但实证资产定价更关心的是：

某个因子是否在横截面上被市场定价？
暴露于该因子更多的资产，平均收益是否更高？

思想来源： Fama & MacBeth (1973) "Risk, Return, and Equilibrium: Empirical Tests"

FM两步法：具体步骤

第一步：估计因子暴露

用的数据，对每个资产做时间序列回归：

得到。

第二步：每期横截面回归

对的每一期，做横截面回归：

FM两步法：统计推断

第三步：取时间平均

第四步：统计推断

关键提醒： 标准误是时间序列的标准差，而非第二步回归SE的平均

FM两步法：结果解读

情况 含义
显著 > 0 因子被正风险溢价定价，暴露越多风险越高
显著 < 0 因子被负风险溢价定价（类似"保险"资产）
不显著 因子在横截面上不被定价

Errors-in-Variables问题： 第一步估计的存在测度误差，导致第二步的估计有偏。

修正方法：

  • 使用排序组合（非参数方法，无需估计）
  • 使用分组（grouping）方法：将个股按分组后再回归
  • 使用Shanken (1992)修正

FM两步法 vs 时间序列回归

方面 时间序列回归 FM两步法
检验对象 （各资产的定价误差） （各因子的风险价格）
核心问题 模型能否定价这些资产？ 这些因子是否被定价？
优点 直接、易解释；可检验每个资产 接近理论框架；直接显示风险价格
缺点 不直接显示因子风险价格 标准误计算较复杂
适用场景 多资产定价有效性评估 新因子的风险价格检验

2.4 方法3：排序组合

基本思想：

不做参数回归，而是通过排序分组直接检验某个特征与收益的关系。

步骤：

  1. 在每个月末，按某个特征将股票分成组（通常5或10组）
  2. 持有该组合到下一期，记录收益
  3. 重复计算，得到每组的时间序列收益
  4. 报告各组平均收益与统计显著性

优点：

  • 无参数、直观
  • 自动处理非线性关系
  • 易于展示"规律"的经济大小

常见排序变量与异常收益

特征 定义 代表规律 关键论文
市值 股票总市值 小盘股溢价 Fama & French (1992)
账面市值比 账面价值/市值 价值溢价 Fama & French (1992)
动量 过去12月收益（排除近1月） 动量效应 Jegadeesh & Titman (1993)
盈利能力 ROE、毛利率等 盈利溢价 Fama & French (2015)
投资 资产增长率 投资异常 Fama & French (2015)
应计项 应计利润/总资产 应计异常 Sloan (1996)

排序组合设计

设计1：5分位排序

  1. 每月末，将所有股票按特征从低到高分成5组
  2. 计算第组下月的等权平均收益
  3. 计算多空收益（高减低）
  4. 得到的时间序列
  5. 报告：和

设计2：条件排序（conditional sorts）

先按市值分组，再在每组内按B/M分组，得到个组合。

目的： 分离两个特征的独立影响

排序组合：风险调整后的alpha检验

计算出多空组合后，通过因子模型回归检验其alpha：

检验。

结果 含义
原始多空收益显著 该特征与平均收益显著相关
调整后alpha仍显著 现有模型（如FF3）不能解释这个收益
调整后alpha不显著 现有模型能解释这个收益规律

排序组合案例：价值因子检验

应用：验证价值因子(HML)是否为实际风险

步骤：

  1. 构造 HML 多空组合（高B/M - 低B/M）
  2. 用CAPM回归：
  3. 结果：α显著，说明HML不能被CAPM解释
  4. 加入HML本身为因子：
    其他资产:
  5. 如果显著，显著，且显著下降 → HML 可能是真实的风险因子

2.5 方法4：特征回归

基本模型：

不引入因子，直接在超额收益上回归某个公司特征：

其中是某个公司特征（如B/M比、ROE等）。

Fama-MacBeth特征回归：

对每个时期，做横截面回归，得到，然后：

检验。

特征回归：重要限制

显著的特征效应，并不一定代表该特征是风险因子。

可能的解释：

  1. 风险解释：特征代表某种风险暴露
  2. 错误定价：特征反映市场误定价的对象
  3. 遗漏变量：特征与真正的风险因子相关
  4. 对冲假设：特征能对冲投资者关心的真实风险

特征 vs 因子收益的关键区别：

  • 特征回归：直接用公司特征预测收益，不显式建立β-λ关系
  • 因子模型：构造投资组合作为因子，检验其风险价格

2.6 方法5：SDF/GMM方法

理论基础：

任何资产定价模型都可从SDF约束出发：

这是一组矩条件（moment conditions）。若有个测试资产，就有个约束。

参数化SDF： 假设

GMM估计步骤：

  1. 定义矩函数：
  2. 构造样本矩：
  3. 最小化加权二次型：
  4. J-test：

GMM：J-test解读

J-test结果 含义
不显著（p > 0.05） 模型的矩条件在统计上不被拒绝，模型可接受
显著（p < 0.05） 模型的矩条件被拒绝，说明SDF定价有系统误差

SDF方法优缺点：

方面 说明
优点 更接近理论本体；可同时检验多个资产的定价
局限 假设模型正确；拒绝不一定指出问题所在；过度敏感

Hansen & Jagannathan (1997) "Assessing Specification Errors in Stochastic Discount Factor Models" — 提出了HJ距离作为模型误设定的度量

2.7 机器学习在因子筛选与定价中的应用（高阶）

问题背景：为什么需要机器学习？

传统实证资产定价面临的核心困境：

海量特征问题（Big Data Challenge）
                    ↓
候选因子/特征数量 >> 样本大小（N >> T）
                    ↓
传统线性模型失效
  - OLS无法估计（参数过多）
  - 高度多重共线性
  - 数据挖掘与过拟合风险激增

具体挑战： Hou, Xue & Zhang (2015)估计可能存在300+个经济相关特征；多重检验问题加剧；发表后衰减现象普遍

ML应用1：降维方法——PCA与Sparse PCA

问题： 数千个特征，但可能只有少数"真实风险因子"

方法：

  • 主成分分析（PCA）：提取解释收益方差最多的少数主成分，即自动寻找"隐含因子"
  • 稀疏PCA（Sparse PCA）：增加稀疏约束，得到更易解释的成分

实证应用：

Kelly, Pruitt & Su (2019): 将1500+个特征投入PCA，提取出4-5个主成分，能解释美国股市横截面收益，相比FF5因子样本外预测能力更强

Gu, Kelly & Xiu (2020): 用深度学习自编码器提取潜在因子，完全数据驱动

ML应用2：特征筛选——LASSO与Elastic Net

问题： 从海量特征中找出"真正重要的"

方法：

  • LASSO（L1正则化）：，自动将不重要变量系数压为0
  • Elastic Net（L1+L2混合）：兼具LASSO的稀疏性和Ridge的稳定性

实证应用：

  • Feng, Giglio & Xiu (2020): 用LASSO从数千个特征中筛选出约70个最相关特征，构造"LASSO因子"
  • Kozak, Nagel & Santosh (2020): 用机器学习方法估计"最优SDF"

ML应用3：非线性学习——树模型与神经网络

A. 梯度提升（Gradient Boosting）：XGBoost, LightGBM, CatBoost

B. 深度神经网络（Deep Learning）：多层隐层自动学习特征间的复杂关系

C. CNN / RNN：处理高维结构数据和时间序列依赖

实证应用：

Gu, Kelly & Xiu (2020) "Empirical Asset Pricing via Machine Learning"：用5种ML方法预测个股收益，神经网络方法的样本外Sharpe比率是传统因子模型的2-3倍

Kozak, Nagel & Santosh (2020): 用神经网络学习时变SDF参数

ML应用4：IPCA与自编码器

IPCA（Instrumented PCA）—— Kelly, Pruitt & Su (2019)

核心思想：使用公司特征作为"工具变量"，学习特征与的映射关系

将Daniel & Titman (1997)的"特征vs协方差"争议用ML框架统一

Autoencoder Asset Pricing—— Gu, Kelly & Xiu (2021)

Encoder将高维特征压缩到隐因子，Decoder重构收益

结果：CAPM年化Sharpe 0.46，FF5为0.58，Autoencoder达0.86

ML方法的关键评估标准

评估维度 传统方法 ML方法的新挑战
样本内拟合 R² 容易过拟合，需要CV
样本外表现 alpha、Sharpe 需要walk-forward测试
稳定性 β显著性 特征重要性排序稳定吗？
可解释性 回归系数 神经网络黑箱，难以解释
多重检验 p值修正 ML的"有效p值"定义困难

核心困境： ML方法在"样本外预测"上更优，但在"经济解释与理论联系"上更弱

2.8 Module 2 总结与方法选择指南

研究问题 推荐方法 原因
某模型是否能定价这些资产？ 时间序列回归 直接检验α
某因子是否被定价？ FM两步法或SDF 直接给出λ
某特征与收益的关系强度？ 排序组合 直观、易沟通
某特征是否具有独立定价能力？ 特征回归+排序 分离直接效应
理论SDF是否成立？ GMM/SDF 理论导向

完整研究流程： 发现阶段（排序）→ 检验阶段（时间序列+FM）→ 理论检验（SDF/GMM）→ 稳健性（跨样本、样本外）

Module 3

"显著"的三重含义与检验框架
  • 问题导入：什么是"显著"？
  • 三重含义详解
    • β显著：暴露显著
    • λ显著：风险价格显著
    • α显著：定价误差显著
  • 三重含义的关键区分
  • 实证可靠性的三要素
  • 小结

3.1 问题导入：什么是"显著"？

常见混淆：

在实证资产定价中，我们经常说某个结果"显著"。但这个"显著"可能指三种完全不同的东西。

反面例子：

假设某论文报告："X因子显著地定价解释资产收益"。这可能意味着：

  • 资产对X因子的β显著（）？
  • X因子的风险价格显著（）？
  • 加入X因子后模型的α显著下降？
  • 还是全部都有？

这三种"显著"的底层模型、检验方法和经济含义都不同。

3.2 含义1：显著（暴露显著）

模型形式：

检验： vs

t统计量：

经济含义： 资产确实暴露于因子，即资产的收益与该因子风险共动

重要限制： 显著 因子被定价 代表风险

实例： 小盘股的"交易量"与收益显著正相关。可能解释：

  1. 交易量代表流动性风险（β显著+λ显著）
  2. 仅是巧合相关，市场不定价（β显著，但λ=0）
  3. 被其他因子解释（显著性消失）

含义2：显著（风险价格显著）

模型形式（FM框架）：

检验： vs

t统计量：

经济含义：

  • 暴露于因子更多的资产，在横截面上有更高的平均收益
  • 因子的风险被市场定价，承担该风险需要补偿
  • 的量级表示风险补偿的大小（%/月或%/年）

重要提示： 显著为“该因子（或其代理）在测试集合上被定价”的证据，但不等价于证明其为真实风险机制

显著：实例

FF3模型中λ_HML显著

可能解释：
1. HML代表真实的"价值风险"
   → 高B/M公司更多暴露于灾难性或衰退风险
2. 或HML只是价值特征的代理
   → 市场系统性高估成长、低估价值
3. 判别需要额外证据：HML与衰退/流动性压力的关系

含义3：显著（定价误差显著）

模型形式：

检验：

  • 单个资产： vs
  • 多个资产（GRS联合检验）：

经济含义：

  • 模型无法解释该资产的平均收益
  • 该资产的平均收益 ≠ 其风险暴露 × 风险价格
  • 在给定的模型设定与测试资产集合上，若 （尤其在联合意义下不被拒绝），才支持“模型能够正确定价这些资产的平均收益”

α显著 = 模型存在系统性定价误差，但不能指出哪里出了问题

显著：实例

某排序组合（动量多空）在FF5模型下α显著

可能原因：
1. FF5遗漏了动量风险因子
   → 加入动量因子后α消失
2. 动量是真实的市场错误定价
   → 即使加任何因子也不能完全解释
3. 动量收益来自交易成本或流动性挤兑
   → 是摩擦而非风险或误定价

单从"α显著"看不出来，需要进一步分析。

3.3 三种显著性的关键区分（证据层面）

三种显著性的区别：

维度 β显著 λ显著 α显著
检验对象 检验资产对因子的暴露： 检验因子的风险价格： 检验模型在测试集合上的定价误差：
检验口径 时间序列（单个资产的共动） 横截面（多个资产的定价关系） 时间序列（联合，如GRS等）
统计含义 资产与因子共动显著 风险溢价关系在横截面上显著 模型无法在该测试集合上完全解释平均收益
对“风险/错误定价”的提示 仅说明“暴露”，不自动说明“被补偿” 提示“该因子（或其代理）在横截面上被定价”，但不必然说明其为真实风险 提示“存在系统性定价误差”，但无法直接指出具体遗漏/机制来源
互推关系 β≠0 不能推出 λ≠0 λ≠0 不能推出 α=0 α=0 不能推出 因子一定是真实风险

三种情况的推论

  1. β显著但λ不显著： 资产与因子共动存在，但不被补偿

    例：某资产与流动性高度相关（β显著），但市场不定价流动性（λ ≈ 0）

  2. λ显著但α不为0： 因子被定价但不能完全解释资产收益

    例：SMB在FF3中λ显著，但许多小盘股的α仍显著 → 可能遗漏了小盘股特有的另一个因子

  3. α=0但β或λ不显著： 资产定价合理但无异常收益

    例：某高度特异化资产，与任何因子都不相关（β=0），但在模型内α接近0

3.4 实证可靠性的三要素

即使结果"显著"，也需要检验三个维度的稳健性：

实证结果的三重检验：

1. 模型设定 ← 你是否选对了因子和资产？
2. 统计推断 ← 你的标准误选择对吗？
3. 样本外有效性 ← 结果在新数据上能复现吗？

要素1：模型设定的正确性

问题清单：

  • 因子是否足够多？（遗漏因子问题）
  • 因子是否正确测量？（测量误差）
  • 测试资产空间是否合适？（资产选择）
  • 时间段是否包含足够市场状态？（周期覆盖）

检验方法：

  1. 遗漏因子检验： 若加入新因子后α大幅下降，说明之前的模型设定有偏

    • 例：在HML之外加入RMW（盈利因子）→ 许多FF3的α消失

  2. 子样本检验： 不同时期、不同市场的α是否一致？

    • 例：若规律仅在1990-2000年显著，此后消失 → 可能是数据挖掘

要素2：统计推断的正确性

问题清单：

  • 标准误的选择是否正确？（Newey-West? 聚类?）
  • 是否考虑了多重检验问题？（Bonferroni? FDR?）
  • 是否存在errors-in-variables偏误？（β估计误差）
  • 样本量是否足够？（小样本修正）

多重检验问题： 同时检验100个因子，即使全部为噪声，也期望约5个显著（）

修正方法：

  • Bonferroni修正：p值 × 检验次数（最保守）
  • FDR（False Discovery Rate）修正：更温和
  • Romano & Wolf (2005)：资产定价特有的修正框架

要素3：样本外有效性与稳健性

问题清单：

  • 结果在其他样本期间是否成立？（样本外）
  • 结果在其他市场是否成立？（跨地域）
  • 结果在不同子样本是否稳定？（子样本稳定）
  • 发表后是否衰减？（发表后效应）

常见现象：发表后衰减（Post-publication decay）

许多学术论文中发现的异常收益，发表后显著衰减。原因：

  • 数据挖掘与过拟合
  • 发现后被套利消除
  • 初始样本的幸运性选择

Arnott, Beck, Kalesnik & West (2016): 已发布异常收益平均衰减35-45%

样本外检验方法

  1. 样本外检验

    第一步：用1980-2000年数据发现规律
第二步：用2001-2020年数据验证
若新样本期α显著衰减或消失 → 原发现可能是样本内偶然

  2. 跨市场复现

    若在美国发现某规律，检验其在中国、日本、欧洲是否存在
若完全不存在 → 可能是美国特有的市场摩擦或数据特征

  3. 子样本分析

    按规模、流动性、行业等分层
若规律仅在难套利子集显著 → 更支持"错误定价"而非"真实风险"

3.5 Module 3 小结

核心结论：

  1. “显著”有三重含义，缺一不可（证据层面）：

    • β显著：资产与因子共动
    • λ显著：因子在横截面上被定价（或其代理）
    • α≈0：模型在测试集合上能较好解释平均收益（联合意义下）
    • 三者相互补充，但单独任何一个都不能单方面证明“因子一定是真实风险”

  2. 实证可靠性的三要素缺一不可：

    • 模型设定正确（因子/资产空间/测度）
    • 统计推断稳健（SE、EIV、多重检验）
    • 样本外有效（复现与稳健性）

  3. 实用检验清单：

    • 因子是否跨期稳定？跨市场/跨国稳定？
    • 加入新因子后α是否显著下降？
    • 使用了正确的SE（NW + 聚类）？
    • 是否做了多重检验修正？
    • 发表后该规律是否衰减？

Module 4

风险vs错误定价的判别框架
  • 核心难点
  • 四层判别框架
    • 统计显著性筛选
    • Beta定价关系检验
    • 坏状态表现检验
    • 套利限制与行为证据
  • ML时代的新范式
  • 小结

4.1 问题的核心难点

基本困境：

给定某个异常收益（如小盘股溢价、动量效应、价值溢价等），并在某个候选因子模型与测试资产集合下，我们观察到：

异常异常

三种可能的解释都能与数据一致：

  1. 风险补偿解释： 异常收益代表承担系统性风险的补偿
  2. 错误定价解释： 市场参与者因信息不完全、认知偏差而误定价
  3. 混合解释： 既有风险成分，也有错误定价成分

为什么无法通过统计显著性区分？

无论是"真实但隐藏的风险"还是"系统性错误定价"，都会在数据中表现为可预测的收益差异和显著的。两者的数据痕迹往往无法区分！

4.2 四层判别框架

虽然无法百分百确定，但可以通过多层证据的支持程度来倾向于某种解释。

第一层：统计显著性筛选

统计显著进入判别程序

确认异常收益的显著性，但这只是开始。

检验清单：

  • 使用了正确的SE（Newey-West + 聚类）？
  • 做了多重检验修正？
  • 结果在样本外是否成立？
  • 在不同子样本是否稳定？

第二层：Beta定价关系检验

关键问题： 该异常收益是否通过"β-λ关系"被定价？

检验逻辑： 构造高(H)、低(L)异常收益的两个组合，分析它们的β向量

  1. 令因子向量为 （维度 ）。估计两组组合的因子暴露向量（多因子向量形式）：

    其中 。
  2. 计算差分暴露向量：

  3. 在定价模型成立时，风险价格对收益差的预测满足：

    • 若 接近 → 更倾向“风险补偿”
    • 若 明显小于 → 更倾向“错误定价”

理论基础： Daniel & Titman (1997) — 区分"特征效应" vs "协方差风险"

  • 风险补偿：高收益由高β驱动（协方差通道）
  • 错误定价：高收益由特征本身驱动，与β无关（特征通道）

Beta定价检验：直观例子

观察：小盘股年平均超额收益 8%

情景A：β定价能解释
- 小盘股 β_SMB = 1.5（高度暴露于规模因子）
- 规模因子 λ_SMB = 5%/年
- 预测收益增量 = 1.5 × 5% = 7.5%
- 实际8% ≈ 预测7.5% → 风险补偿能基本解释

情景B：β定价解释不了
- 小盘股 β_SMB = 0.3（低度暴露）
- 规模因子 λ_SMB = 5%
- 预测收益增量 = 0.3 × 5% = 1.5%
- 实际8% ≫ 预测1.5% → 更像是错误定价

第三层：坏状态表现检验（关键）

关键问题： 该异常收益在"坏状态"下是否表现更差？

理论基础： 如果某个风险是真实的系统性风险，承担这个风险的资产应该在投资者最痛苦的时刻表现最差（与正相关的资产需要更高期望收益）

坏状态的定义：

坏状态类型 具体指标 对应理论
经济衰退 GDP增速↓、失业率↑ CCAPM核心机制
消费压力 消费增长下降 Lucas (1978)
金融压力 VIX升高、信用息差↑ 制度转换模型
流动性压力 买卖价差↑、融资成本↑ Acharya & Pedersen (2005)

坏状态检验：方法1——分区间分析

将样本分为"好状态"和"坏状态"：

好状态：GDP增速 > 中位数，VIX < 中位数
坏状态：GDP增速 < 中位数，VIX > 中位数

计算多空组合在两个状态下的回报：

结论判断：
- 若坏状态下R_bad > R_good → 与风险补偿逻辑不符 → 更支持"错误定价"
- 若坏状态下R_bad < R_good → 符合风险补偿逻辑 → 更支持"风险"解释

方法2：条件CAPM/SDF框架

其中表示经济状态。

第四层：套利限制与行为偏差证据

关键问题： 是否存在阻止套利消除错误定价的机制？

套利限制的类型：

类型 具体含义 实证表现
交易成本 佣金、买卖价差 规律在交易成本高的资产中显著
流动性限制 无法迅速交易 低流动性股票中规律强
做空限制 做空成本高 多头端易被套利，空头端不能
融资约束 融资成本高 套利者资本不足

套利限制检验方法

方法1：按流动性分组

将股票按流动性分成高、中、低三组
- 高流动性股票：α ≈ 0（易被套利消除）
- 低流动性股票：α 很大且显著（套利困难）
→ 强烈支持"错误定价 + 套利限制"解释

方法2：按规模分组

如果异常收益主要来自小盘股：
α(微盘) > α(小盘) > α(中盘) > α(大盘)
→ 更支持"套利限制导致的错误定价"

方法3：行为偏差变量检验

行为偏差 操作化方法
投资者情绪 Baker-Wurgler情绪指数
注意力不足 新闻数量、搜索热度
过度反应 极端过去收益

4.3 综合判别框架：案例应用

案例1：动量效应

检验维度 结果 含义
第一层：统计显著 t值>2，样本外仍存在 ✓ 通过筛选
第二层：Beta定价 Δβ很小，λ'Δβ ≪ 实际α ✗ β无法解释，更像误定价
第三层：坏状态表现 危机时动量反向，好时alpha为正 ✗ 不符合风险逻辑
第四层：套利限制 主要在小盘股、低流动性股中显著 ✗ 支持套利限制+误定价
综合结论 动量效应主要是行为错误定价，部分是套利限制

案例2：价值效应

检验维度 结果 含义
第一层：统计显著 t值持续稳定，跨国复现 ✓ 通过筛选
第二层：Beta定价 高B/M组Δβ显著，λ'Δβ≈实际α ✓ β定价能解释大部分
第三层：坏状态表现 衰退期高B/M表现更差 ✓ 符合风险逻辑
第四层：套利限制 大盘股中也显著存在 ✓ 不依赖套利限制
综合结论 价值效应主要是真实风险补偿（衰退风险或流动性风险）

4.4 ML时代的新范式

传统范式的核心逻辑：

理论预言 → 数据检验 → 得出结论
   ↓
"手工"构造因子 → 线性定价模型 → α检验

面临的困境：

  1. 特征爆炸 vs 理论稀缺： 数百个"显著"特征，但理论上难以全部解释
  2. 线性假设过于简单： 特征与收益关系明显非线性
  3. 时变性被忽视： β、λ在经济周期中明显变化
  4. 发表后衰减问题恶化： 异常收益平均衰减35-45%

ML范式：从"假设检验"到"预测与学习"

关键转变：

转变1：从"假设检验"到"预测评价"

  • 传统： 发现一个因子
  • ML：样本外实际可赚的alpha才是核心

转变2：从"手工特征"到"自动发现"

  • 传统：学者靠理论与直觉挑选因子
  • ML：把所有候选特征投入算法，自动学习最优组合

转变3：从"线性模型"到"灵活非参数模型"

  • 传统：
  • ML：特征特征

ML与传统方法的融合前景

现阶段共识：并非"ML取代传统"，而是互补与融合

研究环节 传统方法 ML方法 融合形式
因子发现 理论推导 自动筛选 理论候选+ML验证
定价关系 线性因子模型 神经网络 线性基准+非线性检验
样本外评价 α、Sharpe Walk-forward CV 时间序列+交叉验证混合
可解释性 清晰的β系数 SHAP特征重要性 两层并行解释

掌握ML工具的资产定价研究者，未来应该是：既懂理论、又懂数据、还会评价

4.5 Module 4 小结

  1. 无法仅通过统计显著性区分风险与错误定价——需要多层证据综合判断

  2. 四层判别框架按递进：

    • 第一层：基本统计可靠性
    • 第二层：理论机制检验（β定价关系）
    • 第三层：经济意义检验（坏状态表现）
    • 第四层：现实障碍检验（套利限制、行为证据）

  3. 风险解释的特征： β定价关系成立、坏状态表现更差、跨市场稳健、不依赖交易成本

  4. 错误定价的特征： 主要在难套利资产中显著、与情绪变量相关、发表后显著衰减

  5. 重要提醒： 四层框架提供的是支持程度，而非充分条件。现实中往往既有风险成分也有误定价成分

讲授部分总结

四个模块的核心主线：

Module 1：理论基础
   SDF → 线性因子模型 → E(R_i) = β_i' λ
          ↓
Module 2：经验方法
   时间序列 / FM两步法 / 排序 / 特征回归 / SDF-GMM
          ↓
Module 3：统计显著性框架
   β显著 / λ显著 / α显著 → 实证可靠性三要素
          ↓
Module 4：经济含义判别
   风险补偿 vs 错误定价 — 四层判别框架

实践部分

分组项目制（80分钟）
  • 实践部分总体安排
  • 项目主题选择（7个可选）
  • 实践指导方案
  • 分组汇报与讨论
  • 课程总结

实践部分总体安排

形式：分组项目制

  • 分组：建议3-4人/组
  • 时间：80分钟（含指导与汇报）
    • 项目实践操作：50分钟
    • 分组汇报与讨论：30分钟

目的：

  • 让学生操作一次完整的实证资产定价研究
  • 从数据、假设、方法选择中体验理论与现实的冲突
  • 培养批判性思维
  • 体会实证可靠性的三要素

主题1：A股小盘股溢价是否存在？（基础难度）

研究问题：

  • 按市值分组A股股票，检验小盘股是否具有显著超额收益
  • 该超额收益是否能被FF3因子解释？

方法步骤：

  1. 按市值5分位排序，构造等权组合
  2. 计算各组年化超额收益
  3. 时间序列回归FF3（或CAPM）
  4. 检验高低组多空收益alpha及稳健性
  5. 按流动性分组，检验套利限制假说

预期难点： ST股处理、新股/停牌股、无风险利率获取、生存者偏差

主题2：动量因子在中国股市中是否可定价？（中等难度）

研究问题：

  • 构造动量因子（过去12个月收益排序，排除近1月）
  • 检验其显著性、稳定性和定价特征

方法步骤：

  1. 按过去12月收益排序（标准Jegadeesh & Titman, 1993做法）
  2. 构造赢家-输家多空组合
  3. 计算原始收益率和风险调整后alpha（FF3、FF5）
  4. FM两步法检验动量因子的风险价格
  5. 状态依赖分析（好年份/坏年份/危机期）

关键思考题： 动量效应在危机期反向（momentum crash）、中国动量为何强？

主题3：应计项异常能否被现有模型解释？（中等难度）

研究问题： 基于Sloan (1996)的经典发现，检验应计项是否能预测超额收益

方法步骤：

  1. 计算每个公司的应计项比率
  2. 按应计项分5组
  3. 检验低应计组 - 高应计组的收益差异
  4. FM回归检验应计项溢价
  5. 加入不同因子集合（CAPM→FF3→FF5→q-factor），检验alpha的递进下降

关键思考题： 低应计高收益是投资者"会计天真"还是真实风险？

主题4：融资约束是否是定价因子？（高难度）

研究问题： 融资受约束的公司是否有更高超额收益？

方法步骤：

  1. 计算多种融资约束指数（KZ index / WW index / SA index）
  2. 按融资约束分组，比较高低组收益
  3. 构造融资约束因子
  4. 检验FC因子在现有模型中的增量解释力

理论连接：

  • Fazzari, Hubbard & Petersen (1988)
  • Almeida, Campello & Weisbach (2004)

主题5：特征效应是否源于协方差风险？（高难度）

研究问题： 基于Daniel & Titman (1997)框架，区分特征效应与协方差风险

方法步骤：

  1. 按特征排序构造5分位组合
  2. 对每个组合计算特征值和历史beta
  3. FM回归：同时加入特征和beta

  4. 若只有特征显著 → 特征效应；只有beta显著 → 协方差效应

预期难点： Beta估计误差（EIV问题）、特征与beta的多重共线性

主题6：中国股市中是否存在流动性风险溢价？（高难度）

研究问题： 基于Acharya & Pedersen (2005)框架，流动性风险是否被定价？

方法步骤：

  1. 计算多种流动性度量（Amihud measure, 换手率等）
  2. 计算流动性beta
  3. 按流动性敏感性分组，检验高敏感性是否有高收益
  4. FM法检验流动性因子风险价格

理论连接：

  • Acharya & Pedersen (2005): 流动性风险模型
  • Pastor & Stambaugh (2003): 流动性因子
  • Amihud (2002): ILLIQ measure

主题7：用ML方法审视经典规律（可选高阶选题）

研究问题： 经典的FF5因子，用ML方法能否进一步改进？

方法步骤：

  1. 用LASSO从100+特征中筛选最相关的
  2. 用XGBoost或神经网络学习非线性定价关系
  3. 与FF5进行样本内和样本外对比
  4. 分析特征重要性排序

预期难点：

  • 样本期短，ML容易过拟合
  • 中国股市特性（涨跌停板）对ML的影响
  • 如何设计合理的交叉验证方案

实践指导：阶段1——项目启动与分工（15分钟）

教师讲解（5分钟）：

  • 快速回顾该主题的理论背景
  • 指出常见的方法选择陷阱
  • 特别提醒：三个实证可靠性要素

学生分工（10分钟）：

  • 每组选择一个主题
  • 明确分工：
    • 数据获取与清洗负责人
    • 方法设计与编程负责人
    • 结果解释与汇报负责人

实践指导：阶段2——操作流程

第1步：数据准备（5分钟）

  • 数据来源确认（CSMAR? Wind? Tushare?）
  • 样本量足够吗？（至少100个资产×60个月）
  • 清洗：极端值处理、停牌处理、生存者偏差

第2步：方法实现（20分钟）

  • 排序组合构造（等权还是市值权重？）
  • 时间序列/FM回归设定
  • 标准误计算（最关键！！！）
  • 检验统计量（t值、p值、GRS检验）

第3步：结果初步分析（10分钟）

  • 基本统计显著吗？
  • 结果和已有文献一致吗？
  • 下一步应检验什么？

实践指导：常见陷阱与干预

陷阱 表现 教师干预
多重检验偏误 "我检验了100个特征，其中5个显著" 提醒：可能是随机噪声，需Bonferroni/FDR修正
幸存者偏差 数据只包含存活到2024年的公司 讨论偏误方向，检验样本外
交易成本忽视 宣称策略年化收益20%没考虑成本 追问：实际可实现吗？
数据挖掘 样本内发现规律直接宣布 强调必须样本外验证
假显著性 用OLS SE而非Newey-West 这是判断结果可靠性的第一道关
特征vs风险混淆 特征显著就说它是风险因子 需要用FM法确认β定价关系

阶段3：分组汇报结构（每组5-7分钟）

1. 研究问题与动机（1分钟）
   - 为什么重要？与已有文献关系？中国特殊性？

2. 数据与方法（1.5分钟）
   - 样本期、样本量、数据来源
   - 关键变量定义与计算
   - 使用的方法

3. 核心结果展示（2分钟）
   - 排序表、alpha值、显著性
   - 可视化图表

4. 稳健性检验（0.5分钟）

5. 经济含义与讨论（1分钟）
   - 风险还是误定价？

6. 问题与反思（0.5分钟）

课堂讨论与课程总结

教师反思问题：

  • 理论挑战： "你说这是风险，但为什么在坏时期没有更差表现？"
  • 方法挑战： "你用的标准误是Newey-West吗？"
  • 稳健性挑战： "这个结果在2020年后还存在吗？"
  • 经济挑战： "扣除交易成本，这个策略还赚钱吗？"

课程核心收获：

  1. 从理论SDF到实证方法的完整链条
  2. "显著"的三重含义及相互关系
  3. 风险vs错误定价的判别框架
  4. 实证可靠性的三要素

推荐阅读

经典论文：

理论基础：

  • Breeden (1979) — ICAPM
  • Hansen & Jagannathan (1997) — SDF规范检验

标准方法：

  • Sharpe (1964) — CAPM
  • Fama & MacBeth (1973) — 两步法
  • Fama & French (1993) — FF3
  • Fama & French (2015) — FF5

关键问题：

  • Gibbons, Ross & Shanken (1989) — GRS检验
  • Jegadeesh & Titman (1993) — 动量效应
  • Daniel & Titman (1997) — 特征vs风险

显著性与稳健性：

  • Newey & West (1987) — 协方差估计
  • Romano & Wolf (2005) — 多重检验修正
  • Shanken (1992) — EIV修正

机器学习应用：

  • Gu, Kelly & Xiu (2020) — JF, ML资产定价
  • Gu, Kelly & Xiu (2021) — JoE, 自编码器模型
  • Kelly, Pruitt & Su (2019) — JF, IPCA
  • Kozak, Nagel & Santosh (2020) — JF, 压缩截面
  • Feng, Giglio & Xiu (2020) — JF, LASSO因子筛选
  • Arnott et al. (2016) — 发表后衰减

数据与软件资源

数据库推荐：

  • CSMAR（国泰安）— 学术研究标准数据
  • Wind — 综合金融终端
  • DigQuant - 点宽
  • Tushare / AkShare — 开源数据（免费）
  • 巨潮资讯（cninfo）— 上市公司公告

软件与包：

  • Python: statsmodels, scikit-learn, pandas, numpy
  • R: tidyverse, sandwich, lmtest
  • Stata: xtscc, newey

本周总结

实证资产定价是一门"证据积累"的科学。单一p值不足以支撑结论，好的实证论文需要多层证据。

核心信息：

  • 数学公式和回归技巧并非难点，难点在于理解结果的真实含义
  • "统计显著" ≠ "经济含义显著" ≠ "因果关系确立"
  • 实证可靠性需要三层保证：模型设定正确 → 统计推断稳健 → 样本外有效

预习准备

  • 复习Backtrader回测框架
  • 阅读EMH和行为金融学概念
  • 安装：backtrader/DigQuant, yfinance

下周预告
Week 6: AI时代量化交易

  • Backtrader/DigQuant回测框架
  • TradingAgents多Agent系统
  • ATLAS自适应交易
  • QuantAgent高频信号
  • HFT理论与模型
  • LLM+MCTS因子挖掘

## Newey-West标准误 **公式：** $$SE_{NW} = \sqrt{\frac{1}{T}\left( \sum_{t=1}^T x_t \varepsilon_t \right)^2 + 2 \sum_{j=1}^L w_j \sum_{t=j+1}^T x_t \varepsilon_t x_{t-j} \varepsilon_{t-j}}$$ 其中$w_j = 1 - \frac{j}{L+1}$为Bartlett核权重，滞后阶数$L$通常取$\text{floor}(1.3 \times \sqrt{T})$。 **要点：** - 同时处理异方差和自相关 - 滞后阶数的选择影响标准误大小 - 月度数据通常取$L = 6$或$L = 12$ ---