发表后衰减：McLean 和 Pontiff 实际测量的

仔细解读 McLean 和 Pontiff：97 个已发表预测因子、样本外收益降低 26%、发表后收益降低 58%，以及为什么 32 点的发表效应重要。

第 1 篇 · 共 12 篇约 10 分钟

交易出名后会变小

因子论文不仅是描述市场模式。它可以将模式广告给每个拥有 Bloomberg 终端、数据订阅和找到与基准不同东西的指令的读者。如果模式真实，发表可以使其利润减少。如果部分是统计戏剧，发表也可以揭示这点。

McLean 和 Pontiff (2016) 在 97 个已发表的股票收益横截面预测因子中研究了此过程。他们的结果是削减回测的最干净经验原因之一，因为收益在原样本后下降，并在异常公开后进一步下降。

开头有一个数值陷阱值得修正。论文标题估计是相对原样本内基准样本外时期收益降低 26%，发表后时期收益降低 58%。差异是 32 个百分点。那 32 点差距是与发表知情交易相关的估计效应，不是单独的声称样本外降前发表本身是 32% 的声明（McLean and Pontiff 2016）。速记经常在总结中被调换。潜在教训从簿记中存活。

三个时钟而非一个

McLean 和 Pontiff 将异常的生命划分为回答不同问题的时期。

样本内时期是原论文用来识别预测因子的时期。它的收益至少部分被选择，因为它看起来有趣。它是故事中最不独立的数字。

样本外时期是晚于发表的数据，或否则未用于原发现样本。此时期问特征是否在学术结果广泛传播前预测收益。这里的下降与选择偏差、样本特定运气和普通估计噪声一致。

发表后时期跟随发表日期。它问更难的经济问题：一旦投资者能从论文学习信号，发生了什么？超出样本外降前发表的下降与套利、拥挤和交易成本一致。

这些时期不应被视为可互换。“样本外”意味着未用于原估计。“发表后”意味着在信息对市场可用后。检验可以样本外但非发表后，它可以是发表后同时也是样本外。标签指信息流的不同轴。

经验模式

对每个预测因子，作者构建一个组合，做多特征高值的股票、做空特征低值的股票，使用接近原文献的约定。然后他们比较三个时期的平均收益。样本始于 1927 年，集合覆盖来自已发表研究的 97 个预测因子。

平均收益分阶段下降。相对原样本内估计，样本外收益约低 26%。相对同一基准，发表后收益约低 58%。因此与发表相关的分量约 32 个百分点。确切分解是估计，不是安装在市场内的物理表，但它给出有用规模：一旦模式既被新数据测试又被投资者知道，超过一半的报告异常收益可以消失。

效应分布不均。样本内收益更大的预测因子倾向于经历更大发表后下降。集中在非流动股票和高特质风险的预测因子也显示更强发表相关衰减，符合套利限制故事。需要交易昂贵、难以做空证券的策略在无摩擦表中可以看起来壮观，在组合中普通。

该研究因此谈及两个不同形式的失望：

原论文可能高估效应因为它从噪声中选择。
剩余效应可能在发表后被竞争消除。

谨慎研究人员需要考虑两者。将每个下降归咎于市场效率和归咎于每个下降于 p-hacking 一样懒惰。

简单收益分解

设 $\mu_I$ 为样本内平均收益， $\mu_O$ 为样本外降前发表平均收益， $\mu_P$ 为发表后平均收益。定义相对衰减率

D_O = 1 - \frac{\mu_O}{\mu_I},

和

D_P = 1 - \frac{\mu_P}{\mu_I}.

发表相关增量为

D_{\mathrm{pub}} = D_P - D_O = \frac{\mu_O - \mu_P}{\mu_I}.

如果样本内均值是每月 $0.50\%$ ，样本外降前发表均值是 $0.37\%$ ，发表后均值是 $0.21\%$ ，那么

D_O = 1 - \frac{0.37}{0.50} = 26\%,

D_P = 1 - \frac{0.21}{0.50} = 58\%,

和

D_{\mathrm{pub}} = 58\% - 26\% = 32\%.

算术简单；解释不是。32% 不是完美识别因果意义上“投资者造成的量”。发表日期是信息到达的不完美度量，市场条件因许多原因变化。McLean 和 Pontiff 用横截面模式和时机使发表解释合理，而非假装所有其他原因已关闭。

机制一：统计选择

衰减的第一个来源在任何人读论文前就存在。研究人员很少从帽子中选异常。他们看候选定义、样本时期、组合构建规则和控制。已发表规格通常是从该搜索中存活的。

假设 $X_i$ 是规格 $i$ 的估计收益且每个规格有真实均值零。如果估计有标准差 $\sigma$ ，预期最大值近似为

E[\max_i X_i] \approx \sigma\sqrt{2\log N},

对 $N$ 大致独立试验。已发表估计包含最大选择项。新样本不包含相同有利噪声实现，所以收益下降即使潜在关系未变化。

这就是为什么第一次样本外减值不是市场立即套利因子的证据。它可以是原估计是赢家估计的证据。Harvey、Liu 和 Zhu 提供互补横截面计算：一旦数百个变量已发表，常规 t 统计量不足以建立新发现。

统计选择也是为什么简单地在稍长样本上重新运行相同代码的“复制”可以比新模型提供更多信息。原模型被冻结。研究人员不会得到另一条路径花园来行走。

机制二：交易成本隐藏在表中

许多学术异常收益在现实实施成本前报告。这不是道德失败；总收益对描述关系有用。当总收益、等权重、高换手组合作为净投资机会出售时它成为问题。

设换手为 $\tau_t$ ，每美元交易单程成本为 $c_t$ ，总组合收益为 $r_t^G$ 。简单净收益为

r_t^N = r_t^G - \tau_t c_t.

如果发表吸引资本，交易可能推动价格并扩大进入多头和空头腿的有效成本。小盘和非流动异常支付特别高的税。每月总差 0.35% 在成本前可以有经济意义，在 0.20% 往返成本后令人失望地普通。

交易成本也改变信号本身。如果因子组合需要与许多其他因子购买相同名称，边际影响不是独立的。交易需求协方差重要。在拥挤书中，重新平衡成本是每个人同时尝试做的事情的函数。

Aronson 的基于证据的技术分析框架在不同词汇中提出相同实际观点：如果曲线是在没有合理执行模型下构建的，规则不被有利历史曲线验证（Aronson 2006，第 9-12 章）。市场以价差、影响、借券、延迟和失败支付。它不接受引用作为支付。

机制三：发表驱动拥挤

发表改变信息集。以前不知道特征的投资者现在可以测试它。基金可以围绕它创建产品。供应商可以打包它。研究人员可以将它添加到模型并交易其选择的名称。市场不需要完美理性来降低收益；它只需要足够资本朝同一方向响应。

简单需求模型使直觉清晰。设 $q_t$ 为异常中的总持仓，假设期望收益为

E[r_{t+1}\mid q_t] = \alpha_0 - \lambda q_t,

其中 $\lambda>0$ 度量拥挤压缩溢价的强烈程度。发表前， $q_t$ 可能小，期望收益接近 $\alpha_0$ 。发表后， $q_t$ 上升，期望收益下降。

关系不必消失。风险溢价可能剩余因为投资者不喜欢持有底层风险，因为套利昂贵，或因为资本慢且分割。“拥挤”不意味着“零”。它意味着原收益估计是不安全预测。

最强拥挤证据出现在套利困难处。高特质波动率、低流动性、卖空约束和高换手都使已发表异常难以利用。创造大总差的相同特征可以使发表后实施痛苦。

机制四：真实经济衰减

拥挤可以临时，但竞争也可以永久改变机制。如果信号反映慢信息扩散，且投资者构建更快处理该信息的系统，原延迟缩短。如果溢价补偿投资者承担风险，溢价可能持续；如果它是成为广泛知晓的行为错误，它可能弱化。

有用区分是发现与部署。发现将信号放入论文。部署在资本交易它时改变价格。即使论文永远不被组合经理阅读，效应可以衰减，因为论文进入教学材料、数据产品、因子指数和其他传递该想法的间接信号。

真实 alpha 衰减难以与成本和选择分别估计。McLean 和 Pontiff 不主张用实验室精度的整洁因果分割。他们的贡献是时机模式：发表后下降大于早期样本外下降，衰减横截面与应该更易受套利影响的预测因子一致。

结果关于市场效率说明什么

研究常被总结为“学术研究摧毁异常”。这有吸引力但不完整。它支持市场效率的版本，其中公开信息被逐步不完美地纳入。如果发表降低收益，市场在发表前不是完全有效。如果收益保持为正，市场在发表后也不是瞬间有效。

更有用问题不是异常存活还是死去。它是背后的机制是否仍以支付成本后的规模运作。价值信号可以保持经济上直观，同时其免费午餐版消失。动量可以在组合中持续，同时三十年前论文的精确回看和跳过规则失去其边缘。

对工作中的量化，正确先验保守：原效应大小是上界而非目标。在欣赏回测前预测减值。如果策略只在已发表规模下有效，它可能无效。

衰减感知研究工作流

首先识别信号的信息年龄。著名因子应携带比真正新、难以实施信号更大的发表和拥挤减值。“新”不等同于“未知”，所以尽可能使用暴露数据、因子相关性、供应商标签和围绕该想法构建的产品数量。

然后估计通过实施链的收益：

使用点时数据的总收益。
扣除价差、影响、借券、融资和换手后的净收益。
在预期资本水平下的容量调整收益。
冻结独立样本中的发表后收益。
在流动性、市值和可卖空过滤器上压力测试结果。

import numpy as np

in_sample = 0.0050
out_sample = 0.0037
post_publication = 0.0021
out_decay = 1 - out_sample / in_sample
post_decay = 1 - post_publication / in_sample
publication_gap = post_decay - out_decay
print(out_decay, post_decay, publication_gap)

不要将减值隐藏在单一“预期 Sharpe”中。显示总到净桥梁。投资者在能看到时争论成本假设；他们不能与悄悄省略它们的回测争论。

向前推进的标准

McLean 和 Pontiff 没说发表研究无用。他们说发表是策略生命中的事件。样本内数字是一次观察到的。样本外数字是在广泛传播前在新样本中存活的。发表后数字是知识和资本到达后剩下的。

将 26%、58% 和 32 点数字用作思考学科，而非粘贴在每个模型中的通用减值。因子衰减依赖于流动性、容量、竞争、信号半衰期和原证据质量。但不要从零衰减开始。从问为什么这一个应豁免开始。

市场不因你读论文而惩罚你。它因你将论文最佳历史估计视为合约而惩罚你。

将衰减转为预测

衰减估计只有在改变预测时才有用。从原总收益 $\hat{\mu}_I$ 开始，然后对选择、成本和信息扩散而非单一神秘折扣因子分别应用减值。简单规划方程是

\hat{\mu}_{\mathrm{live}}=\hat{\mu}_I(1-D_{\mathrm{selection}})(1-D_{\mathrm{publication}})-C_{\mathrm{implementation}}.

这些项实际上不是独立的。拥挤可以提高成本，非流动信号可以既有更大发表下降又有更大实施成本。方程是预测脚手架，不是因果恒等式。它的价值在于它强制研究人员陈述假设。

例如，假设论文报告每月总收益 0.45%。规划案例假设 26% 发表前下降、再 32 点发表差距和每月 0.10% 成本。预期总发表后收益约

0.45\%\times(1-0.58)=0.189\%,

净收益约 0.089% 在融资和容量前。这与论文的 0.45% 是非常不同的投资主张。它在多样化组合中仍可能有用。不应被调整大小好像原表是实时报价。

运行乐观、基本和不利案例。乐观案例可以对低换手、容量丰富的信号使用更小减值。不利案例应在信号已拥挤或论文样本结束于有利 regime 附近时假设进一步衰减。如果策略只在乐观案例下有效，研究结论脆弱。

部署后监控衰减。跟踪滚动总收益和净收益、暴露集中度、换手、借券、拥挤代理以及预测与已实现信息系数之间的差距。下降的收益带稳定暴露提示竞争或成本。变化的暴露分布可能指示数据漂移。围绕发表或指数启动的突然反转是值得调查的信息事件，而非重写历史的原因。

也有组合层面教训。如果几个策略依赖于相关已发表因子，它们的发表减值是相关的。独立地对每个因子应用 30% 折扣仍可以高估组合，因为拥挤通过共同名称和共同交易到达。压力测试联合账本，不只单独袖子。

对衰减的正确反应不是放弃每个公开信号。它是预测投资者能拥有的更小、更贵、更竞争的版本。在该预测下存活的策略已赢得进一步测试的权利。

McLean, R. D. and Pontiff, J. (2016). “Does Academic Research Destroy Stock Return Predictability?” The Journal of Finance, 71(1), 5-32. doi:10.1111/jofi.12365.
Harvey, C. R., Liu, Y., and Zhu, H. (2016). “…and the Cross-Section of Expected Returns.” The Review of Financial Studies, 29(1), 5-68.
Aronson, D. (2006). Evidence-Based Technical Analysis. Wiley, 第 9-12 章.
López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley, 第 1、7 和 11-15 章.