一些历史推文
学术
财经
2023-06-05 17:10
四川
本文对因子动物园公众号一些阅读较多的历史推文进行梳理。
近年来，随着中国经济和金融市场的发展，中国 A 股市场也逐渐受到顶级金融学期刊的关注。这篇推文对发表于金融学顶刊 RFS 和 JFE 的 4 篇关于 A 股市场的文章进行了综述介绍，话题涉及 A 股市场的效率、投资者行为偏差分析，以及利用机器学习方法对股票收益进行预测。事实上，这些话题也的确是近年来的研究热点。
这篇非常有趣的文章首次用图像分析中常用的卷积神经网络（CNN）方法来正式地对 K 线进行了分析、进而表明其的确对股票收益有显著的预测能力。利用迁移学习，文章还为这一分析提供了来自国际市场的扎实证据。得益于这一脑洞大开的 idea 和非常稳健的实证分析，这篇文章已被金融学顶刊 JF 接收。
动量是最为基础、也最引人关注的因子之一（也许没有之一）。已有研究从不同角度提出了诸多对动量的解释，这篇推文对相关研究进行了仔细的分类梳理，覆盖了从经典的基于市场状态的解释（动量崩溃）到基于行为金融的视角，以及发表于 RFS 的最新研究所提出的买方竞争压力的解释。
资产价格泡沫一直是金融学研究和投资者密切关注的一个问题。这篇推文对 Barberis et al. (2018, JFE) 的经典研究进行了详细的介绍。其模型与经典模型的主要差异在于可以更好地解释泡沫期间成交量的显著放大。当然，在这篇文章之后，还出现了一系列相关但不完全相同的关于资产泡沫的解释，同样发表在金融学顶刊上。
这篇推文介绍了一篇早年发表于 Management Science 的文章。虽然文章发表较早，但其讲的故事仍具有现实意义。我们都知道基金业绩常常大起大落，今年的明星，下一年可能就成为了倒数，再过两年可能又变成了明星（比如蔡经理）。这篇文章考察了导致基金业绩大起大落的原因和背后的激励：通过采取极端的风格暴露，基金可以形成显著的产品差异化，从而降低自身面临的竞争压力，获取更多的预期收入。这篇文章为此提供了理论和经验证据。
机器学习方法在股票市场的应用已非常流行（卷）。但在其他资产，例如基金中，则相对还不是特别多。这篇推文对 2020 年以来的三篇较有代表性的利用机器学习方法预测基金业绩的文章做了简要的梳理。
随着投资者的机构化，“抄作业”日益流行。美国证监会的独特数据为检验抄作业行为及其表现提供了可能。这篇推文介绍的研究发现，机构投资者也抄作业，且抄作业是一项技术活：有可能的投资者才能抄得好。
已有研究发现公募基金投资者往往难以区分因子收益和基金能力（alpha）。这篇推文介绍的研究考察了通常被认为更加专业的对冲基金投资者是否也如此。结果表明：对冲基金投资者也难以区分因子收益和 alpha；但值得注意的是，他们不区分的主要是那些不太容易获取因子暴露的奇异因子（exotic factors）。
这篇推文是 2 年半之前给师弟师妹讲课的 slides，内容为 2 次课，因此侧重主体框架的梳理。主要基于川总、连长和我写的书《因子投资：方法与实践》的框架，对实证资产定价的基本研究方法和核心结果进行介绍，进而就深度和广度上可能的拓展进行一些探讨。当然，由于写于 2 年半之前，未能充分覆盖这两年机器学习应用的大量新进展。
这是园长个人非常喜欢的工作。第一篇推文详细介绍了 Koijen and Yogo (2019, JPE) 提出的资产需求系统（Asset demand system）。这一框架基于一系列简化但有基础的假设，将投资者对不同金融资产的需求表示为因子模型，进而提出了恰当的估计方法。基于这一框架，可以做非常多有趣的工作。第二篇推文则介绍了应用 KY 框架的工作中园长个人最喜欢的一项：这篇文章回答了一个基本的问题：股票市场中的竞争到底有多激烈。
