Fundamental Analysis and the Cross-Section of Stock Returns: A Data-Mining Approach

自Fama-French 于1992年提出三因子模型以来，文献中出现了大量的声称能够预测股票收益率的因子。根据Harvey et al. (2016) 的统计，已有300多个因子被发表在金融经济类的期刊上，其中基于公司财务基本面的因子占据了很大的比例。由于股票收益率一直是资产定价研究领域的一个核心问题，因此这些被发现的“因子”也受到了学界和业界的广泛关注。

然而，当我们面对大量的return predictor时，一个自然的疑问就是它们确实能够预测股票收益吗？还是仅仅是数据挖掘的产物？其原因在于即使我们对大量完全无效的因子进行检测，也可能因为数据的巧合发现一些与收益率“显著”相关的因子。我们的研究试图提出一个重新衡量这些因子的方法，即通过构建一个由超过18，000个基本面因子组成的universe和bootstrap的计量方法来判断那些特别显著的因子的产生是否是偶然的结果。我们的研究发现：（1）在控制了data-mining的影响后，许多与公司基本面有关的因子还是能够很好的预测股票回报率；（2）这些因子所能带来的超额收益在那些存在套利限制的股票中更高，在投资者情绪高涨时期会更加显著。这些发现表明，我们发现的基本面因子的产生并非偶然的结果，而是与market mispricing密切相关。同时，我们提出的计量方法具有普遍性，能够被应用到其他类型的因子的研究分析中。

Fundamental Analysis and the Cross-Section of Stock Returns: A Data-Mining Approach

Sterling Yan 、郑凌凌

《The Review of Financial Studies》2017年第4期