开云体育-里昂主场逆转取胜，前锋尼卡齐尼破门(里尔vs里昂顶级对决)

　　为了评估学术期刊上所公布的因子的现实意义，近期的部分研究提出了一项更为严谨的标准。

　　首先， 哈维、刘和朱（2015）认为为了提高显著性水平，t 统计量至少是 3 而不是 2。2017 年，坎贝尔·哈维的文字被其他文章引用：“在公司出售给客户的金融产品（表现良好）中，有一半都是虚假的。”

　　另外，麦克莱恩和彭蒂夫（2014），查迪亚、苏布拉马尼亚姆和佟（2014），以及侯、薛和张（2017）等人认为诸多异象策略的平均性能都降低了，但在性能计算中，没有一篇论文深入到了交易成本分析，这一点令人吃惊。最后，Fama-French 三因子模型和Carhart 四因子模型（市场、价值、规模和动量)是许多聪明贝塔策略的基础，但二者都未将总成本纳入计算, 所以可能会夸大这些策略的投资回报（此处对因子进行了介绍）。

　　上述种种论点都在质疑因子投资策略的有效性,但并未详细讨论交易成本。

　　就因子投资策略中的交易成本重要性这一内容，弗拉齐尼、伊斯雷尔斯和莫斯科维茨（2014）共同发表了一篇学术文章（此处是该研究的讨论）。该研究认为当着眼实际数据时，交易成本无关紧要，而这与先前的学术研究相悖，从而引发了争论。

　　而学术界并不认可这一答案, 罗伯特?诺维?马克思和米哈伊尔?韦利科夫近些年进行了一项研究，他们通过列举大量众所周知的市场异象来剖析问题，并于2016 年初将文章发表在了《金融研究评论》上。在《市场异象分类与交易成本》一文中，作者研究了 23 种因子投资策略，计算了每种异象策略在不同交易时长和市值类别中的交易成本，还观察了剔除交易成本后的异象表现。

　　在文章中，作者采用了哈斯布鲁克（2009）提出的有效买卖价差方法来计算交易成本。鉴于买卖价差无法对大宗交易产生价格影响, 所以买卖价差的成本计算一般面向流动性要求较小的需求方。作者还研究了不同因子中低换手率与盈利能力之间的关系。

　　文章研究的主要问题和对应论点如下所示：

　　1、异象交易的成本是多少？

　　图 3 以历史数据说明了占据交易成本的三大因子：规模（SMB）、价值（HML）和动量（UMD）。如图所示：规模因子和价值因子占据的交易成本较低，从 1963 年到 2013 年，平均下来每月分别只占5.7 和 5.5 个基本点，而动量因子平均每月的基本点则高达 48.4。该研究还反映了在市场动荡时期，历史成本有所下降（注：这些因子可用于买空和卖空操作，而不是仅仅针对买空）。

　　上述结果仅为假设,既不是未来结果的指标，也不能代表投资者的实际收益。指标属于非托管式的，无法反映管理成本或交易费用，人们也无法直接投资指标。结果的附加信息若有需要也可获取。

　　表 3 反映了 23 个因子投资策略的盈利能力。好消息是：作者得到了与弗兰兹尼等人（2014）相似的结论：规模、价值和动量三种因子在剔除了交易成本之后仍然能实现正收益。此外,在增加价值和动量组合的利润之后, 超额收益将会翻倍（从0.51 到 0.99），t统计量也将得到显著改善（从 2.67 到 5.18）。

　　通常，交易成本会降低价值加权多空策略1% 的换手率。打个比方，如果每月的换手率高于 20%，价差就会减少 20 个基本点。许多换手率大于 50% 的异象策略仍然有正利差，但交易成本大大降低了所有策略的盈利能力和统计显著性水平。

　　Python量化投资实战营（深圳-香港）

　　上课时间 ：2017年8月21日-25日（第二期）

　　上课地点：深圳-香港

　　量化交易深入解析

　　用Python做量化交易

　　Mongodb数据库与数据处理

　　Python量化引擎基础，执行一个策略

　　环球FOF投资

　　股票数据统计与Alpha因子策略

　　量化策略-CTA策略……

　　2、什么是策略吸引资金的盈利能力？

　　学者和从业者之间的另一个重大争议即为因子策略的盈利能力。作者试着在文章的第五节解决这一问题。该研究的结论是低换手率的盈利能力较高。作者计算出规模、价值和动量三大因子的盈利能力分别为 1700 亿、500亿和 50 亿美元。作者基本同意弗兰兹尼（2014）等人对于规模因子和价值因子的判断，但对动量因子的估计值较低，这一点Robert A. Korajczyk 和萨德卡（2004）也持有相同看法。对于希望扩大投资的动量投资者来说，这并非好消息。

　　上述结果仅为假设,既不是未来结果的指标，也不能代表投资者的实际收益。指标属于非托管式的，无法反映管理或交易费，人们也无法直接投资指标。结果的附加信息若有需要也可获取。

　　3、是否存在降低交易成本的有效技术？

　　作者发现，买入并持有的价差策略让建立头寸的标准变得更加严苛，而在异象研究中，维持头寸的标准正是降低成本的有效技术。作者还研究了替代交易的成本降低技术，他们发现低换手率策略的盈利能力较高，而高换手率策略（例如动量策略）的盈利能力则会受到限制。

　　结论：

　　似乎处处都在推广因子投资和聪明贝塔策略。鉴于其优秀的回测结果，学术界和业界非常看好。投资者正试着确定某一研究或投资方法的有效性，而这种天然的利益冲突自然引发了他们的关注。但是，我们必须始终考虑数据探测、过度拟合和交易成本所带来的影响，考虑它们是否会让有力的结果失效。

　　该论文的重要性在于和弗兰兹尼等人的研究形成了巨大对比。

　　在提出假设结果之前，投资者应当做出大量研究并进行批判思考，直接拿来的结果可以说是非常危险的。

　　来源：量化交易员（ID：quantcity）

　　量化投资实战课程——尖端量化精英荟萃宽潮六大实力巨匠倾力分享