作者：石川

摘要：我們需要什么樣的學(xué)術(shù)研究？

論文看多了總會有些想法。

而當(dāng)一個(gè)適當(dāng)?shù)钠鯔C(jī)出現(xiàn)，引燃了這些想法時(shí)，就總想說點(diǎn)什么。

這個(gè)契機(jī)就是 [因子動物園] 園長發(fā)給我的兩張圖。

下面是第一張，它按學(xué)校統(tǒng)計(jì)了 2015 到 2020 年這六年間發(fā)表在金融學(xué) Top 3 頂刊（JF、JFE 以及 RFS）+ JFQA 上的論文數(shù)。

再來看第二張圖，它和第一張很像，只不過統(tǒng)計(jì)的時(shí)候去掉了 JFQA，因此它展示了不同學(xué)校在這六年間發(fā)表在 Top 3 上的論文數(shù)。

怎么樣？發(fā)現(xiàn)什么沒有？

有小伙伴發(fā)現(xiàn) UChicago 高居第一，這并不意外。但是，真正讓人吃驚的是，無論是否考慮 JFQA，UChicago 的總論文數(shù)是一樣的，都是 91 篇！也就是說，UChicago 在過去六年沒有發(fā)過 JFQA，要發(fā)只發(fā) Top 3！[1]

BTW，這個(gè)統(tǒng)計(jì)的地址為 http://apps.wpcarey.asu.edu/fin-rankings/rankings/results.cfm，感興趣的小伙伴可以自行查看。即便我們看考察 1990 年到 2020 年的數(shù)據(jù)，UChicago 也僅在 JFQA 上發(fā)表了 6 篇。

這樣的結(jié)果真的給我很大的震撼，伴隨而來的是深深的共鳴。因?yàn)槊慨?dāng)有人問我閱讀論文的建議時(shí)，我給出的答案都是：只看 Top 3 頂刊 + 頂級學(xué)者的 SSRN + 頂會（例如 AFA，EFA，SFS，WFA 等）。

最近幾年，我的一個(gè)越來越強(qiáng)烈的感受就是，真正好的文章一定只會發(fā)在 Top 3 上。而且對于功成身就的大佬來說，如果一些文章一時(shí)不足以發(fā)頂刊，寧愿掛 SSRN 也不會湊合。所以才有上面的建議，看頂刊 + 頂級學(xué)者的 SSRN。（頂會部分稍后再說。）

說完了從哪里看，自然要接著說看什么。在這方面，下面這張圖又把我震撼了。

眾所周知，美國金融協(xié)會（AFA）每年當(dāng)值主席卸任前都會發(fā)表一個(gè)主席演講，而主席演講之后都會刊發(fā)到 JF 上。下圖展示了 2011 年到 2020 年十年間 AFA 主席演講論文的 google scholar citations 次數(shù)。你能不能猜到引用最高的是哪些我們耳熟能詳?shù)奈恼?？我給你一個(gè) hint：2015 年的那篇和資產(chǎn)定價(jià)無關(guān)。

OK！如果不看 2015，剩下的無疑是 2011 和 2017，而 2011 又以壓倒性優(yōu)勢勝出。即便考慮了發(fā)表年限的差異，它的領(lǐng)先優(yōu)勢也足夠明顯。2011 是哪篇？Cochrane (2011)！John Cochrane 對因子的鏗鏘三問，他首次提出的 zoo of factors 直擊人心。2017 又是哪篇？Harvey (2017)！Campbell Harvey 對 p-hacking 的靈魂拷問，他主張學(xué)術(shù)界正視并解決 publication bias 問題的擔(dān)當(dāng)令人欽佩。

這兩篇文章的高引用表明了兩點(diǎn)：（1）資產(chǎn)定價(jià)是一個(gè)重要的課題；（2）傳統(tǒng)資產(chǎn)定價(jià)研究中發(fā)現(xiàn)的各種異象和因子可能存在很大問題。

對于量化投資來說，資產(chǎn)定價(jià)無論是方法論進(jìn)展還是實(shí)證發(fā)現(xiàn)都頗具價(jià)值。但是當(dāng)我們意識到 p-hacking 和 publication bias 的存在大大“污染”了實(shí)證結(jié)果時(shí)，這些研究自然也就大打折扣。所以，對看什么的問題，我的建議是看方法優(yōu)于看實(shí)證。（關(guān)于最新理論前沿的 review 見《實(shí)證資產(chǎn)定價(jià)理論新進(jìn)展》。）

在理論方面，我前不久在知乎上回答了一個(gè) 2020 年印象最深刻的金融學(xué)論文的問題，推薦了兩篇我心中好的研究：Harvey and Liu (2020)[2] 以及 Kozak, Nagel, and Santosh (2020)。

Harvey and Liu (2020)?提出了一個(gè)基于雙重 bootstrap 的類貝葉斯多重假設(shè)檢驗(yàn)框架。該方法通過引入?yún)?shù)? ? ??控制先驗(yàn)中真實(shí)異象的比例，并通過雙重 bootstrap 讓人們在控制 Type I error rate 的同時(shí)也能夠權(quán)衡 Type II error rate。此外，該文的靈活性在于它可以自如的應(yīng)對具體的問題。不同的候選異象、不同的? ? ??的選擇（來自研究者的經(jīng)驗(yàn)）、不同的分析目標(biāo)（Type I vs Type II）會得到不同的 t-statistic 閾值。因此，該框架讓人們解決最關(guān)心的問題，而不是不加區(qū)分的使用某個(gè)統(tǒng)一的閾值（比如 3.0）。

Kozak, Nagel, and Santosh (2020) 獲得了 2020 JFE Fama-DFA best paper award，實(shí)至名歸。資產(chǎn)定價(jià)理論告訴我們，傳統(tǒng)多因子模型、mean-variance efficient frontier 以及 SDF 三者之間的等價(jià)關(guān)系[3][4]。一旦找到了 SDF，就相當(dāng)于找到了 mean-variance efficient frontier，就相當(dāng)于找到了多因子模型。

在求解 tangency portfolio 時(shí)，有兩個(gè)難點(diǎn)需要考慮：（1）選擇哪些 assets；（2）如何以獲得樣本外最高 SR 為目標(biāo)來求解 MVO 問題。Kozak, Nagel, and Santosh (2020) 直接回答了這兩個(gè)問題。在 assets 方面，該文使用了大量因子投資組合。在最優(yōu)化方面，由于因子太多導(dǎo)致的過擬合和維數(shù)災(zāi)難問題，因此該文使用了 elastic net 方法對 variance 進(jìn)行了 shrinkage，并獲得了很好的樣本外效果。

不過，有意思的是，就在當(dāng)時(shí)我剛在知乎上回答完這個(gè)問題后幾分鐘，有小伙伴留言說，因?yàn)橐娍苈?，所以這兩篇文章其實(shí)早就出來了。

True。

所以我后來又更新了個(gè) working paper 版本的回答，推薦了 Harvey and Liu (2021b)[5] 以及 Bryzgalova, Pelger, and Zhu (2020)[6]。

無論是學(xué)術(shù)界還是業(yè)界，大家共同的認(rèn)知是所有異象預(yù)期收益聯(lián)合為零這個(gè)原假設(shè)一定會被拒絕，即人們都認(rèn)可有一部分異象是顯著的。因此，研究 p-hacking 時(shí)，關(guān)注于以下這兩個(gè)真正需要被回答的問題：（1）在 p-hacking 以及 publication bias 的影響下，有多少比例的異象是真實(shí)的？人們認(rèn)同 p-hacking alone 無法解釋 t-statistics 超過 6.0 或者 8.0 的異象，但也知道它會造成很多 t-statistics 為 2.0 或者 3.0 的異象。而所有異象中，到底有多少是真實(shí)的？（2）對于通過檢驗(yàn)的異象（即被認(rèn)為是真實(shí)的），它們樣本外收益率的收縮系數(shù)是多少？Harvey and Liu (2021)?通過對發(fā)表過程建模和參數(shù)校準(zhǔn)，正面回答了這些問題。

Bryzgalova, Pelger, and Zhu (2020) 則是 Kozak, Nagel, and Santosh (2020) 的拓展。首先在 assets 方面，Bryzgalova, Pelger, and Zhu (2020) 以給定的 firm characteristics 為劃分依據(jù)，通過構(gòu)建 asset pricing tree 構(gòu)成了大量的 portfolios，然后從中挑選出最能代表股票收益率截面差異的 portfolios 作為 basis assets。在最優(yōu)化方面，該文額外加入了對 mean 的 shrinkage。整體來看，Bryzgalova, Pelger, and Zhu (2020) 較 Kozak, Nagel, and Santosh (2020) 使用了更優(yōu)的 assets 以及更穩(wěn)健的 MVO，取得了更好的效果。

說到 working papers，不妨插一句。公眾號在過去幾年也解讀了很多彼時(shí)令我眼前一亮的 working papers。據(jù)不完全統(tǒng)計(jì)，介紹（或點(diǎn)評）過的很多文章最終都發(fā)表或者即將發(fā)表在頂刊上（下表），令人欣慰。

再回到從哪看的問題，上面的例子說明了 working papers 的重要性。由于最具潛力的 working papers 都會去金融學(xué)頂會上報(bào)告，因此在本文開頭的閱讀論文建議中，我還加入了各大金融學(xué)頂會。最后能發(fā)表在頂刊上的論文，十有八九都會在各大頂會上被討論個(gè)底兒朝天，所以看頂刊 + 頂級學(xué)者 SSRN + 看頂會，幾乎不會錯(cuò)過任何真正有價(jià)值的研究。

以上就是 UChicago 的“降維打擊”令我引發(fā)的思考。希望各位小伙伴能夠從好的研究中獲得更多的靈感。

最后“蹭個(gè)熱點(diǎn)”。2021 年新科諾貝爾經(jīng)濟(jì)學(xué)獎獲得者 Joshua Angrist 在 2013 年接受 MIT News 采訪時(shí)曾說過：

It’s the combination of a cool tool applied to a central question that leads to good research.

這不正是我們需要的學(xué)術(shù)研究？

備注：

[1] 發(fā)文只發(fā) Top 3 的表述并不嚴(yán)謹(jǐn)，因?yàn)?UChicago 的教授也會因?yàn)樘厥庠蚨苎谄渌诳习l(fā)文，比如 Ray Ball，見《致敬經(jīng)典：Ball and Brown (1968)》。

[2] 見《出色不如走運(yùn) (V)?》。

[3] 見《FF3 們背后的資產(chǎn)定價(jià)理論》。

[4] 見《尋找 Mean-Variance Frontier》。

[5] 見《出色不如走運(yùn) (VI)?》。

[6] 見《Which Test Assets ?》。

延伸閱讀：公眾號之前介紹的 working papers，后來發(fā)表或即將發(fā)表于頂刊的文章如下：

[1]《出色不如走運(yùn) (II)?》

[2]《Anomalies, Factors, and Multi-Factor Models》

[3]《一個(gè)加入行為因子的復(fù)合模型》

[4]《BAB vs BABAB》

[5]《前景理論與股票收益(II)》

[6]《Factor War 外傳》

[7]《False In-Sample Predictability ?》

[8]《出色不如走運(yùn) (VI) ?》

參考文獻(xiàn)

Barberis, N., L. J. Jin, and B. Wang (2021). Prospect theory and stock market anomalies. Journal of Finance 76(5), 2639 – 2687.

Bryzgalova, S., J. Huang, and C. Julliard (2021). Bayesian solutions for the factor zoo: We just run two quadrillion models. Journal of Finance?conditionally accepted.

Bryzgalova, S., M. Pelger, and J. Zhu (2020). Forest through the trees: Building cross-sections of stock returns. Working paper.

Cochrane, J. H. (2011). Presidential address: Discount rates.?Journal of Finance?66(4), 1047 – 1108.

Daniel, K. D., D. A. Hirshleifer, and L. Sun (2020). Short- and long-horizon behavioral factors. Review of Financial Studies 33(4), 1673 – 1736.

Harvey, C. R. (2017). Presidential address: The scientific outlook in financial economics. Journal of Finance 72(4), 1399 – 1440.

Harvey, C. R. and Y. Liu (2020). False (and missed) discoveries in financial economics.?Journal of Finance?75(5), 2503 – 2553.

Harvey, C. R. and Y. Liu (2021a). Lucky factors. Journal of Financial Economics forthcoming.

Harvey, C. R. and Y. Liu (2021b). Uncovering the iceberg from its tip: A model of publication bias and p-hacking. Working paper.

Hou, K., C. Xue, and L. Zhang (2020). Replicating anomalies.?Review of Financial Studies 33(5), 2019 – 2133.

Jensen, T. I., B. T. Kelly, and L. H. Pedersen (2021). Is there a replication crisis in finance? Journal of Finance forthcoming.

Kozak, S., S. Nagel, and S. Santosh (2020). Shrinking the cross-section. Journal of Financial Economics 135(2), 271 – 292.

Martin, I. and S. Nagel (2021). Market efficiency in the age of big data. Journal of Financial Economics forthcoming.

免責(zé)聲明：入市有風(fēng)險(xiǎn)，投資需謹(jǐn)慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見并不構(gòu)成對任何人的投資建議。在任何情況下，本文作者及所屬機(jī)構(gòu)不對任何人因使用本文的任何內(nèi)容所引致的任何損失負(fù)任何責(zé)任。除特別說明外，文中圖表均直接或間接來自于相應(yīng)論文，僅為介紹之用，版權(quán)歸原作者和期刊所有。