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(huì)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(dòng)物園] 園長(zhǎng)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(jí)學(xué)者的 SSRN + 頂會(huì)（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(huì)發(fā)在 Top 3 上。而且對(duì)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(huì)湊合。所以才有上面的建議，看頂刊 + 頂級(jí)學(xué)者的 SSRN。（頂會(huì)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(guó)金融協(xié)會(huì)（AFA）每年當(dāng)值主席卸任前都會(huì)發(fā)表一個(gè)主席演講，而主席演講之后都會(huì)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(shì)勝出。即便考慮了發(fā)表年限的差異，它的領(lǐng)先優(yōu)勢(shì)也足夠明顯。2011 是哪篇？Cochrane (2011)！John Cochrane 對(duì)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(duì) 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(duì)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(shí)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(duì)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?cè)诳刂?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(duì)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(huì)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(duì) 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(huì)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(huì)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(duì)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(duì)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(duì) 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(hào)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(píng)）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(huì)去金融學(xué)頂會(huì)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(huì)。最后能發(fā)表在頂刊上的論文，十有八九都會(huì)在各大頂會(huì)上被討論個(gè)底兒朝天，所以看頂刊 + 頂級(jí)學(xué)者 SSRN + 看頂會(huì)，幾乎不會(huì)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(jiǎng)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(huì)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(hào)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(duì)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(duì)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。