1. New Methods for the Cross-Section of Returns 

作者：G. Andrew Karolyi，Stijn Van Nieuwerburgh

期刊：Review of Financial Studies（2020）

本文是RFS在2020年推出的关于从横截面和时间序列角度提取信息、发现定价错误以及应用新兴方法（例如机器学习）去研究资产定价问题这一专题的文献综述。

股票收益的横截面和时间序列包含了大量与随机折现因子（Stochastic Discount Factor，SDF）有关的信息，而随机折现因子又是将公司现金流与股票价格联系起来的关键因素。

而在过去的实证文献提供了大量可能的因子，这似乎比单纯从随机折现因子的理论结构去扩展更加合理。

已有的最新研究成果包括：同时从时间序列和横截面维度提取有效信息、因子拥挤以后的异常现象以及机器学习方法的应用；

而可能的进一步研究方向则包括因子的普适性、以及更合理的经济学解释等。

2. Replicating Anomalies

作者：Kewei Hou，Chen Xue，Lu Zhang

期刊：Review of Financial Studies（2020）

本文研究了过去已有文献中的异常现象（或者定价错误），发现绝大多数都无法满足当前实证金融研究中通用的可接受显著性标准；

本文利用NYSE的相关数据检验了452个已知的定价错误，发现有65%（包括了96%的量价交易类型因子）都不能满足t统计量高于1.96的标准；而应用多变量检验时，未能满足5%的显著性水平的比例进一步提高到了82%。

总体来说，资本市场逐渐变得越来越有效。

3. Factors That Fit the Time Series and Cross-Section of Stock Returns

作者：Martin Lettau，Markus Pelger

期刊：Review of Financial Studies（2020）

本文提出了一种同时利用时间序列和横截面信息来估计定价因子的方法：通过引入对预期收益定价误差的惩罚系数，本文推广了主成分分析（Principle Component Analysis，PCA）方法，因为传统的主成分分析方法无法找到那些并不显著却同时拥有较高夏普比率的因子。

通过这种方法，本文找到了五种具有显著经济意义的因子，这些因子在组合收益的截面以及时间序列上都有着较好的解释能力；

此外，利用该方法得出的因子在样本外的表现要显著优于传统PCA方法构造的因子（样本外夏普是传统方法因子的两倍）；也就是说，传统方法中的大部分特征信息很可能是冗余的。

- The End -

本文仅供参考，投资有风险

请投资者自行判断投资机会并承担投资风险

爱晖资产

专注于量化领域的证券基金资产管理公司

（来源：爱晖资产的财富号 2020-06-23 14:47） [点击查看原文]