想象一下你是一名正在广袤古老森林中寻找黄金的寻宝者。几十年来，学术界的探险家们发表了许多地图，声称准确标示了黄金埋藏的位置。这些地图承诺，如果你遵循特定的路径（一种“策略”），每月都能获得源源不断的金币。
Andrew Chen 和 Ivo Welch 在其论文《什么是有效的阿尔法？》（What Useful Alphas?）中，决定测试这些地图。他们不仅看了看旧地图，还亲自进入森林，看看对于拥有特定类型车辆的现代探险者来说，黄金是否依然存在。
以下是他们的发现，解释如下：
1. “旧地图” vs. “真实森林”
学术地图（发表的论文）是使用“过去的好时光”（2006年之前）的数据绘制的，并且包含了森林里的每一棵树，甚至是深林中那些微小的、隐藏的幼苗（微型股）。
- 地图上的结果： 如果你在旧的森林里遵循这些旧地图，你会发现很多黄金。平均每投资100美元，每月可获利约 48美分。这看起来就像是一个金矿。
2. 现代现实检验
Chen 和 Welch 问道：“如果我们是无法驾驶小型吉普车进入深林中的现代投资者呢？如果我们只在主要高速公路（流动性最高的排名前90%的大型股票）上行驶，并且我们只从2006年开始寻找黄金呢？”
当他们应用这两个过滤器时，金矿消失了。
- 高速公路过滤器（不含微型股）： 通过忽略那些难以到达的微型股票，黄金减少了一半。
- 时间过滤器（2005年之后）： 通过仅观察近年的情况，黄金又减少了60%。
最终结果： 当你结合这两个过滤器（仅限大盘股，仅限近年）时，剩下的“黄金”每月仅剩 7美分。
3. “运气”因素
作者意识到，即使是这区区7美分可能也不是真正的黄金，而可能只是运气好投中的硬币。
- 想象有200只猴子在向靶盘投掷飞镖。即使它们被蒙上了眼睛，由于偶然性，有些也会射中靶心。
- 当作者针对这种“猴子运气”进行调整后，这7美分的黄金变成了几乎为零。
- 此外，开车（交易成本）的费用会瞬间吞噬掉那最后的7美分。因此，对于现实中的投资者来说，利润是负数。
4. 为什么地图看起来效果那么好？
作者通过一个简单的“二乘二”谜题拆解了这个奥秘：
- “过去的好时光”效应： 在过去，市场节奏较慢，信息传递较慢。寻找黄金更容易。今天，高速计算机和算法会瞬间发现黄金，给留给我们的空间所剩无几。
- “微型股”效应： 原始地图包含了数千家微小且名不见经传的公司。这些就像是大型卡车（机构投资者）无法进入的隐蔽洞穴。所谓的“黄金”大多就在这些洞穴里。一旦你排除了它们，主干道是非常高效的，那里已经没有容易赚到的钱了。
5. 少数幸存者
是否还有仍然有效的策略？
- 少数“盈利性”策略（关注真正赚钱的公司）和一些“动量”策略（押注于已经在上涨的股票）显示出了一点点生命力。
- 然而，即便如此，它们也大多只是偶然的命中。一旦考虑到我们是从200个策略中挑选出“最好”的那些，它们价值就会降至接近于零。
核心结论
该论文的结论是，学术教科书中发现的那些“神奇公式”对于现代、大规模的投资者来说是毫无用处的。
- 异常现象是真实的： 黄金在过去确实存在。
- 黄金已消失： 它已被技术和竞争搜刮殆尽。
- 位置不对： 剩余的黄金位于大型投资者无法触及的“微型股”洞穴中。
类比： 这就像试图在一个城市里寻找一份稀有且便宜的三明治。在1980年，你走在任何一条街上都能找到一份1美元的三明治。今天，如果你只走在主要大道上（人群聚集的地方），并且在2006年以后寻找三明治，你将找不到任何1美元的三明治。如果你试图在后巷（微型股）寻找，你可能会找到一个，但你的车进不去，所以买不到。
启示： 如果你是一名管理着大型投资组合的专业投资者，过去50年间在学术期刊上发表的数百种“经过验证”的策略，并不会让你赚到钱。股市中“免费午餐”的时代已经结束了。
技术总结：“哪些阿尔法是有用的？”
问题陈述
从1973年到2016年，学术金融文献发表了超过200个预测股票截面收益的个股层面特征（异常现象），通常报告了每月50到100个基点（bps）的令人印象深刻的多空收益。然而，在这些已发表的发现与权益投资组合经理面临的现实之间存在着严重的脱节。大多数机构管理者在“非微型股”范围内运作（通常是最大的3,000只股票或市值前90%的股票），并且是在现代时代（2005年后）进行交易。本文旨在解决以下问题：对于那些无法在21世纪交易小型、低流动性微型股的管理者来说，这些已发表的异常现象中哪些仍然具有盈利能力？
研究方法
作者利用了开源的Chen和Zimmermann (2022) 数据集，该数据集使用标准化代码重现了近200个已发表的截面收益预测因子。本研究采用了严格的过滤和分解方法：
- 样本范围过滤器（Universe Filters）： 作者对股票样本应用了两个主要的过滤器，分别进行以及共同进行处理：
- 排名过滤器 (N)： 将样本限制在前 N 只股票中（例如，前3,000只）。
- 百分比过滤器 (%)： 将样本限制在占总市值前 X% 的股票中（例如，前90%）。
- 基准样本范围（Baseline Universe）： “标准”过滤器结合了两者，保留了前3,000只股票且属于前90%市值的交集（约3,000只大型、高流动性股票）。
- 时间拆分： 样本被分为两个时代：“截至2005年”（2005年12月及以前）和“2005年后”（2006年1月及以后）。这种拆分捕捉了小数化（decimalization）、算法交易和高频交易的影响。
- 稀疏信号处理： 对于定义在较小子集上的信号（例如空头头寸），作者剔除了在2005年前数据不足的信号。在2005年后，如果一个投资组合的一侧包含少于20只股票，则将其收益设为零，以模拟由于缺乏多样化而选择放弃交易的现实决策。
- 统计调整： 为了区分真实的信号与运气，作者应用了经验贝叶斯收缩调整（Empirical Bayes Shrinkage Adjustment, Efron, 2010）。该方法计算了异常现象在截面上的 t-统计量方差；如果方差接近1（纯噪声的方差），则会对观察到的收益进行向下调整，以反映归因于运气的比例。
核心结果
分析在“原始论文”环境与“从业者现实”之间形成了鲜明对比：
- “原始”环境（2005年前，全样本）： 约200个异常现象的中位数多空收益为 48 bps/月。
- 从业者的现实（2005年后，前90%市值）： 当将样本限制在“标准”范围（前90%市值）且处于2005年后的时期时，中位数收益骤降至 7 bps/月。
- 中位数 t-统计量降至 0.45。
- 中位数 CAPM Alpha 为 9 bps，其 t-统计量为 0.64。
- 仅有67%的异常现象保持正收益。
- 下降原因分解： 二乘二分析显示，85%的收益下降是由两个乘性因素驱动的：
- 时间效应（2005年后）： 将样本期限制在2005年后，使收益减少了约60%，这归因于论文发表后的衰减以及交易技术的兴起。
- 规模效应（非微型股）： 将样本范围限制在前90%市值内，使收益减少了约50%，因为最显著的定价偏差集中在低流动性的微型股中。
- 运气 vs. 信号： 在2005年后的标准样本范围内，t-统计量的截面方差为1.09，与纯粹靠运气产生的方差几乎一致。在应用收缩调整后，“信号份额”仅为约8%。即使是表现最好的异常现象（原始收益66 bps），在经风险调整后的收益也仅约为6 bps。
- 幸存者： 少数保留了适度收益的异常现象主要是盈利能力信号（例如，基于现金的经营利润率、毛利率）以及一些动量变体。然而，在经过调整后，这些现象在很大程度上也被解释为选择偏差和运气。
- 交易成本： 作者指出，即使是极低的交易成本也会抵消剩余的7 bps中位数收益，从而使这些策略在经济上变得不可行。
主要贡献
- 实证现实检验： 本文首次全面量化了在考虑了2005年后的市场机制以及排除微型股之后，大型股管理者还剩下多少“阿尔法”。
- 二乘二框架： 它引入了一个简单的、易记的框架，用于评估任何已发表的异常现象结果，即通过两个问题进行评估：“使用了什么股票范围？”以及“什么样本期间？”这阐明了为什么令人印象深刻的历史收益往往无法转化为当前的、可投资的策略。
- 合成衰减与流动性： 本文综合了论文发表后的衰减概念与流动性约束，证明了它们如何共同作用，消除了标准异常现象在可投资样本范围内的盈利能力。
意义与主张
本文得出结论：对于21世纪的非微型股投资组合经理而言，绝大多数已发表的学术异常现象都是无用的。
- 统计显著性 vs. 经济显著性： 这些异常现象在统计学意义上是“真实的发现”（并非数据挖掘的产物），但在对机构投资者最重要的细分市场中，它们已被“交易殆尽”。
- 有效性： 证据表明，公开股票市场（特别是大型股领域）是高度有效的。
- 研究范围的局限性： 作者明确表示，他们并不声称没有任何量化策略可以获利。他们承认，动态因子择时、机器学习组合以及专有数据策略可能会提供超出这些标准每月再平衡投资组合的研究收益。然而，关于针对特定问题——即这200多个标准已发表的异常现象在当今的大型股中是否有效——答案是“并不多”。
本文是一个严肃的提醒：在历史性的全样本中具有统计显著性，并不等同于在现代大型股管理者的经济实现能力。
每周获取最佳 quantitative finance 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。