第十二章：前沿文献与现代资产定价案例（2023—2026）

现代资产定价面对的困难已经不只是“CAPM 是否成立”。研究者同时拥有数百个公司特征、大量宏观时间序列、文本披露和灵活机器学习模型。候选变量越多，拟合能力越强，越需要无套利约束、样本外评价、复现设计与经济机制来防止把噪声包装成风险溢价。

本章用三篇同行评议论文与两篇 2026 年工作论文建立一条完整链条：深度网络怎样进入随机贴现因子；“因子动物园”怎样做复现；气候文本怎样转化为风险暴露；机器学习预测怎样进入组合决策；语言模型怎样满足历史信息边界。材料检索截至 2026 年 8 月 1 日，属于课程定向更新，不是穷尽式综述。代码使用合成收益率，不构成投资建议或论文复现。

学习目标

完成本章后，你应能够：

1. 把机器学习资产定价重新写回随机贴现因子与 Euler 方程；
2. 区分收益预测、定价误差、Sharpe 比率和经济机制；
3. 解释大量候选因子为何同时带来多重检验与共同主题信息；
4. 设计发现样本、验证样本与跨市场复现；
5. 说明文本暴露变量的构造效度、测量误差和定价解释；
6. 避免把样本内最优模型、文本提及次数或显著 alpha 直接当成可交易因果结论。
7. 识别工作论文的证据状态，并审计语言模型是否真正 point-in-time。

案例一：深度学习不是无套利条件的替代品

1. 统一起点：随机贴现因子

任何资产 $i$ 的超额收益 $R^e_{i,t+1}$ 在正确随机贴现因子 $m_{t+1}$ 下满足：

传统线性因子模型令：

若公司特征与宏观状态很多，线性形式可能漏掉非线性和交互。深度学习的合理角色，是用灵活函数近似条件 SDF 或组合权重：

而训练目标仍要回到矩条件、定价误差或与之等价的经济准则。

2. Chen、Pelger 与 Zhu 的研究设计

Chen、Pelger 与 Zhu（2023 年在线发表，刊于 2024 年 Management Science 70 卷）用深度神经网络估计个股收益的条件资产定价模型。论文的两项关键设计是：

1. 以无套利条件为准则，并通过对抗式方法构造信息量较高的测试资产；
2. 从大量宏观时间序列中提取经济状态，使条件关系能够随时间变化。

论文报告其模型在所研究样本的样本外 Sharpe 比率、解释变异和定价误差上优于基准方法。正确表述是“在论文设定的样本、资产、信息集和评价指标下优于基准”，不是“深度网络已经发现真实 SDF”。

3. 对抗测试资产的直觉

若只在容易定价的组合上检查模型，错误 SDF 也可能看起来很好。对抗网络可被理解为寻找一个组合 $w(X_t)$，使当前 SDF 的矩条件违背尽可能明显：

SDF 网络则努力最小化最难测试资产上的定价误差。这与 GMM 中选择有信息矩条件的思想相连；“对抗”不是脱离经济学的黑盒竞争。

4. 本科生与研究生的不同要求

本科生应能解释：模型预测高收益不等于该收益是风险补偿，交易成本和不可实现信息也会降低可交易性。研究生还应检查：

• 测试资产是否用验证数据构造，是否引入数据窥视；
• 超参数和早停是否只在训练/验证集选择；
• Sharpe 比率是否经过选择偏误和估计误差校正；
• 定价误差的经济量级是否优于简单模型；
• 模型在不同时期、市场和交易成本下是否稳定；
• 隐状态与风险机制是否具有可解释、可证伪的对应关系。

案例二：因子动物园究竟是危机还是信息

1. 多重检验的经典担忧

假设研究者检验 $M$ 个真实 alpha 均为零的因子，每个检验使用 5% 显著性水平。若检验近似独立，至少出现一个假阳性的概率为：

$M=100$ 时，该概率约为 99.4%。即使因子相关，挑选最大的 t 统计量仍产生严重选择偏误。发现样本中的显著性因此必须与样本外复现、经济先验和联合建模结合。

2. Jensen、Kelly 与 Pedersen 的不同观点

Jensen、Kelly 与 Pedersen（2023）构建了覆盖 93 个国家、153 个因子的全球数据，并用贝叶斯因子复现模型重新评价“复现危机”。论文报告：多数因子可以复现，候选因子可聚为 13 个主题，多数主题进入切点组合，并在新的全球数据中表现出样本外证据。

他们的重要论点是：大量相似因子不一定只是独立的数据挖掘尝试，也可能是同一潜在经济主题的多种噪声测量。若价值、动量或质量主题有许多相关代理变量，联合层级模型可以从横截面共享信息。

3. 为什么这不等于“所有因子都可信”

论文的结论来自特定贝叶斯先验、聚类、数据清理和复现定义。频率学多重检验与贝叶斯层级模型回答的问题不同：前者控制重复抽样错误率，后者在给定先验和似然下更新主题与因子可信度。高质量报告应同时给出：

• 原始研究定义与可复现实现；
• 发现样本、时间外与市场外结果；
• 因子之间的相关和主题结构；
• 交易成本、换手率、可卖空性和容量；
• 多重检验、选择后推断或层级收缩；
• 对替代构造、断点日期和微盘股处理的敏感性。

4. 一个实用的三层证据标准

某因子可以通过前两层却仍缺乏清楚机制；也可能具有强理论动机但当前估计不精确。两种情况都不应被简化成“有效/无效”二元标签。

案例三：把气候讨论转成公司层面风险暴露

1. 研究问题

行业碳排放或 ESG 评级通常变化慢，难以捕捉一家企业在某个季度面对的具体转型机会、实体风险和监管风险。Sautner、van Lent、Vilkov 与 Zhang（2023）使用上市公司季度业绩电话会议文本，构造随时间变化的公司气候暴露。

论文将机器学习关键词发现算法用于气候相关词组，分别捕捉：

• 机会暴露：绿色技术、产品需求和转型机会；
• 实体风险：极端天气、资产受损和供应中断；
• 监管风险：碳政策、合规与转型成本。

最终指标可理解为相关 bigram 在电话会议文本中的相对频率，并对季度序列做适当平滑。

2. 构造效度比回归显著更先

一个文本指标进入资产定价回归前，至少需要四类验证：

1. 内容效度：被算法发现的词组是否真的表达气候暴露？
2. 收敛效度：指标是否与已知排放、行业风险或气候事件合理相关？
3. 区分效度：它能否区分机会、实体和监管，而不只是一般风险语气？
4. 预测/结果效度：它是否预测绿色专利、绿色技术就业或市场定价对象？

论文的全球样本包含 34 个国家、逾 10,000 家企业，覆盖 2002—2020 年。作者报告指标可预测净零转型相关的实际结果，并包含期权和股票市场定价信息。

3. “被定价”不自动等于因果风险溢价

若高暴露公司具有不同收益，可有多种解释：

• 投资者要求承担气候风险的补偿；
• 暴露预示未来现金流变化；
• 文本披露反映管理层注意力或信息环境；
• 指标与行业、规模、盈利或政策周期共同变化；
• 期权价格反映尾部风险和预期波动，而非平均收益溢价。

所以需要分别检验现金流渠道、贴现率渠道、事件响应和横截面预期收益，而不能把一个显著系数统称为“气候风险被定价”。

4. 研究生扩展

研究生可以先按文本暴露 $C_{it}$ 构造可交易或可检验的气候因子收益 $f^{climate}_{t+1}$，再把它放入对所有资产共同的 SDF：

$C_{it}$ 在这里进入组合形成或测试资产，而不是让每只资产拥有不同的 SDF。研究者必须解决 $C_{it}$ 是资产特征还是风险暴露、气候创新如何构造、横截面和时间序列识别怎样分开，以及文本测量误差会如何衰减或扭曲风险价格。

案例四：2026 年的两条方法提醒

1. 预测误差要按最终决策的代价衡量

Wang、Gao、Harvey、Liu 与 Tao（2026）的 NBER 工作论文 Machine Learning Meets Markowitz 质疑常见的“两步法”：先让预测模型最小化所有资产的平均误差，再把预测收益送入组合优化器。若某些资产因风险约束、卖空成本或投资者偏好获得很大权重，它们的预测误差对最终效用更重要；普通预测损失却把各资产误差近似等量看待。

这不表示任何端到端网络都优于传统方法。更灵活的目标也更容易过拟合，且该文截至资料日是 NBER 工作论文，应把结果表述为尚待进一步同行评议与独立复现的研究证据。

2. “只把旧文本放进提示词”仍可能穿越

Kelly、Malamud、Schwab 与 Xu（2026）的 NBER 工作论文 Scaling Point-in-Time Language Models 指出：使用不受时间限制的互联网语料训练的语言模型，参数中可能已经编码未来信息。研究者即使只向模型输入 2017 年年报，也不能据此断言模型在模拟“2017 年投资者的信息集”。

他们按日历时间过滤训练语料并构造一系列历史模型检查点，目标是从模型训练阶段消除这种泄漏。对资产定价回测，最小审计表应包括：

浏览器实验：200 个候选因子与样本外复现

下面模拟 200 个候选月度因子，其中前 5 个具有正的真实月均收益，其余为零。我们在前 120 个月选择 t 统计量最大的因子，再在后 120 个月复核。一次运行不能证明一般规律；3 个输出问题分别是：发现样本有多少“显著因子”、赢家是否是真因子、复核是否保持同方向和显著。

实验审计

• 把候选因子从 200 改为 20 和 2,000，观察发现样本显著数量与最大 t 值。
• 把发现样本延长而保持总样本 240 个月，说明发现精度与验证精度的权衡。
• 让 195 个零因子具有共同噪声，讨论检验相关性为何改变但不消除数据挖掘问题。
• 当前复现标准只是同方向且 $|t|>1.96$；真实研究还要核对构造、交易成本、市场覆盖和经济机制。

分层作业

本科生任务

选择一个公开因子，写一页“证据卡”：因子定义、排序变量、持有期、样本、平均收益、波动、换手率、发现期和至少一个样本外市场。若没有交易成本信息，要明确写“证据缺失”。

研究生任务

设计一项气候暴露资产定价研究。分别写出：文本指标构造、人工标注验证、气候创新、测试资产、SDF 矩条件、双重聚类或 Fama–MacBeth 推断、行业与规模控制、选择后校正、期权与股票市场的互证。最后列出至少三个无法由显著风险价格排除的替代解释。

一手文献与延伸阅读

1. Chen, L., Pelger, M., & Zhu, J. (2023). Deep Learning in Asset Pricing. Management Science, 70(2), 714–750. DOI: 10.1287/mnsc.2023.4695.
2. Jensen, T. I., Kelly, B., & Pedersen, L. H. (2023). Is There a Replication Crisis in Finance?. Journal of Finance, 78(5), 2465–2518. DOI: 10.1111/jofi.13249.
3. Sautner, Z., van Lent, L., Vilkov, G., & Zhang, R. (2023). Firm-Level Climate Change Exposure. Journal of Finance, 78(3), 1449–1498. DOI: 10.1111/jofi.13219. 作者公开的气候暴露数据可用于进一步复现训练。
4. Wang, Y., Gao, H., Harvey, C. R., Liu, Y., & Tao, X. (2026). Machine Learning Meets Markowitz. NBER Working Paper 34861. DOI: 10.3386/w34861. 工作论文。
5. Kelly, B. T., Malamud, S., Schwab, J., & Xu, T. A. (2026). Scaling Point-in-Time Language Models. NBER Working Paper 35247. DOI: 10.3386/w35247. 工作论文。

建议与因子模型、跨期资产定价和浏览器交互实验配套学习。