Hou, Xue & Zhang —「Digesting Anomalies: An Investment Approach」
一句话：从「投资」的资产定价理论出发，构造市场 + 规模 + 投资 + ROE 四个因子，能解释 FF 模型解释不了的盈余惊喜、特质波动率、财务困境、净股票发行等异象——不需要为每个异象单独编故事。
版本说明：本页基于 NBER Working Paper 18435（2012 年 10 月，85 页）。正式版发表于 Review of Financial Studies, 2015, 28(3), 650–705（Editor's Choice），标题不变。两版在因子构造与主要结论上一致，正式版把样本延展、检查了约 80 个异象并给出「约一半在全截面不显著」的结论。
大白话
FF 三因子模型留下了一堆解释不了的异象：动量、盈余公告后漂移、特质波动率、财务困境、净股票发行……每个异象都有自己的故事。
Hou-Xue-Zhang 的主张是：这些异象背后可能是同一个机制的两面。
投资理论说：给定预期 ROE，投资越多、预期收益越低；给定投资，预期 ROE 越高、预期收益越高。所有异象都是这两个条件关系在「排序变量」上的投影：
- 按净股票发行排序 → 隐含的投资排序 → 高发行（=高投资）收益低
- 按账面市值比排序 → 隐含的投资排序 → 高估值（=高投资）收益低
- 按动量 / 盈余惊喜排序 → 隐含的 ROE 排序 → 高 ROE 收益高
- 按财务困境排序 → 隐含的 ROE 排序 → 困境股 ROE 低、收益低
四个因子
| 因子 | 定义 | 构造 |
|---|---|---|
| MKT | 市场超额收益 | — |
| r_{ME}（规模） | 小盘 − 大盘 | 三重排序 |
| r_{\Delta A/A}（投资） | 低投资 − 高投资 | 总资产同比变化 \Delta A/A |
| r_{ROE}（盈利） | 高 ROE − 低 ROE | 特殊项目前利润 / 滞后一期账面权益 |
构造方式：2 × 3 × 3 三重排序（规模 × 投资 × ROE），得 18 个组合。
- 规模：NYSE 中位数切两组；投资：NYSE 断点切低 30% / 中 40% / 高 30%；ROE：同样三切，但按月重建
- 投资因子 = 低投资 6 个组合的均值 − 高投资 6 个组合的均值（注意是低减高，所以投资因子的正收益意味着「低投资涨得好」）
- ROE 因子 = 高 ROE 6 个均值 − 低 ROE 6 个均值
- 规模因子 = 9 个小盘组合均值 − 9 个大盘组合均值
为什么 ROE 要按月排序而投资按年排序？ 两个理由：(1) ROE 因子主要用来解释动量、PEAD、特质波动率、财务困境——这些检验组合都是按月构造的，用月频因子去解释更自然；(2) 最新的 ROE 包含关于未来 ROE 的最新信息，月频排序经济上更合理。论文附录 E 验证：按年排序时这些异象确实消失。
样本：1972 年 1 月至 2011 年 12 月（480 个月）。剔除金融企业与账面权益为负的公司。数据来自 CRSP 与 Compustat。
因子的关键数字
| 因子 | 平均月收益 | t 统计量 | 与 FF 因子的关系 |
|---|---|---|---|
| r_{ME}（规模） | 0.31% | 2.09 | 与 SMB 相关系数 0.95，实质等同 |
| r_{\Delta A/A}（投资） | 0.44% | 4.73 | 与 HML 相关系数 0.69；对 HML 载荷 0.40 |
| r_{ROE}（盈利） | 0.60% | 4.85 | 对 FF 因子 R^2 仅 19%，是 FF 缺失的共同变化来源 |
- 投资因子对市场因子回归：\alpha = 0.51\%、\beta = -0.15，均显著
- r_{ROE} 与动量因子 WML 相关系数 0.50
- 投资与 ROE 两个新因子之间相关系数仅 0.05（不显著）→ 三重排序成功正交化
解释力对比
论文用时序回归截距（\alpha）衡量各模型对不同异象组合的解释力：
| 异象 | FF 模型平均 \lvert\alpha\rvert | Carhart | q 因子模型 |
|---|---|---|---|
| 盈余惊喜（SUE）十分位 | 0.17%/月 | 0.11% | 0.06% |
| 特质波动率（IVOL）十分位 | 0.19% | 0.15% | 0.10% |
| 财务困境十分位 | 0.25% | 0.12% | 0.15% |
| 规模-动量 25 组合 | 0.22% | 0.11% | 0.11% |
最高减最低组合的 \alpha 更能说明问题：
| 异象 | FF | Carhart | q 因子模型 |
|---|---|---|---|
| 盈余惊喜 | 0.54%（t=4.26） | 0.32%（t=2.43） | 0.14%（t=0.92） |
| 特质波动率 | -0.91\%（t=-4.48） | -0.58\%（t=-2.59） | -0.04\%（t=-0.19） |
| 财务困境 | -1.43\%（t=-5.21） | -0.55\%（t=-2.51） | 0.02\%（t=0.07） |
q 因子模型表现与 Carhart 相当或更好的：盈余惊喜、IVOL、财务困境、净股票发行、综合发行、投资与 ROE 本身。 表现与 Carhart 相当：规模与动量、异常企业投资、规模与账面市值比。 表现较差：总应计十分位（total accrual deciles）——这是论文明确承认的短板。
理论机制
论文用一个两期投资模型说明机制。企业的营业利润为 \Pi_{i,t} A_{i,t}（A 是生产性资产规模，\Pi 是 ROE），投资有二次调整成本：
A_{i,1} = I_{i,0} + (1-\delta) A_{i,0}, \qquad \text{调整成本} = \frac{a}{2}\left(\frac{I_{i,0}}{A_{i,0}}\right)^2 A_{i,0}
一阶条件给出投资回报率 = 贴现率：
\frac{\Pi_{i,1} + (1-\delta)}{1 + a \cdot (I_{i,0}/A_{i,0})} = r_i
分子是投资的边际收益（含边际资本产出 \Pi_{i,1} 与边际清算价值），分母是边际成本（购买成本 + 调整成本）。这个式子同时给出两个条件关系：
- 给定投资，预期 ROE 越高 → 贴现率越高 → 预期收益越高
- 给定 ROE，投资越多 → 贴现率越高 → 预期收益越低
直觉版本：投资越多意味着新增项目的净现值越低（否则会投更多），所以贴现率高、预期收益低。低贴现率的公司看到高净现值项目，会大量投资，收益反而低。
论文还说明了这个机制如何统一解释各类异象：
- 净股票发行 / 综合发行：资产负债表恒等式要求发行人把筹到的钱投出去，所以发行人投资更多、收益更低
- 资产增长效应（Cooper-Gulen-Schill 2008）：是投资机制最直接的体现
- 价值溢价：投资强度是边际 q 的增函数，而边际 q 等于平均 q（常数规模收益下），与市值/账面比高度相关 → 高 B/M 的价值股投资少、收益高
- 市场杠杆：高杠杆 → 增长机会少 → 投资少 → 收益高。这与公司金融教科书的杠杆效应论证方向相反——差别在于教科书假设投资政策固定，而这里允许投资与杠杆共同决定
结论与对 Cochrane 提问的回答
论文开篇引用 Cochrane (2011) 总统Address的三个问题，并逐条作答：
- 哪些特征提供独立信息？ 投资与 ROE 提供独立信息。投资大体上吸收了账面市值比、净股票发行、应计、市场杠杆、长期前期收益、盈利价格比、综合发行；ROE 大体上吸收了短期前期收益、盈余惊喜、财务困境；两者共同解释了特质波动率效应。
- 每个新异象是否对应一个新因子？ 是——高减低组合在传统因子模型下仍常有显著收益与 \alpha（用 NYSE 断点 + 价值加权时证据较弱，用 NYSE-Amex-NASDAQ 断点 + 等权时更强）。
- 需要多少个因子？ 检查约 15 个异象变量后，四个因子（q 因子模型）足以概括它们的平均收益变化——这 15 个异象并不彼此独立。
论文还强调 q 因子模型较少受到数据挖掘批评：「投资与 ROE 是两个关键截面收益预测变量」这一命题是在做因子回归之前就从理论文献推出的，而 Fama-French 模型很大程度上是截面回归成功后的经验拼装。
论文对 Fama-French 的一处直接批评：Fama-French 把 HML 解释为「相对困境因子」，但这个说法已被文献否定——困境更重的公司收益更低，而非更高（Dichev 1998；Campbell-Hilscher-Szilagyi 2008）。
两种替代解释
论文明确讨论并拒绝两种极端解读：
风险因子解读（Fama-French 1993 的立场）：按 Brock (1982)，ICAPM/APT 的风险因子必须是影响所有企业的总冲击（TFP、政府政策、总需求）。而 q 因子是基于公司特征构造的，与总冲击没有直接联系——所以它们不是 ICAPM/APT 意义上的风险因子。
错误定价解读（Daniel-Titman 1997 一类）：投资-收益关系也可以解释为市场对过度投资的反应不足。
论文的立场是：投资基础解读在风险与错误定价两个极端之间提供了更健康的平衡。
为什么重要
- 它给出了「异象经济学」的第一个统一机制——把几十个异象归结为两个条件关系（投资-贴现率、ROE-贴现率）的不同投影。
- 它与 q 因子模型 的概念页是配套的：概念页讲框架，本文讲具体构造与证据。
- 它与 FF5 形成直接对照：FF5 的结论是「HML 冗余」，q 模型的结论是「用 ROE 替代 HML、且不需要规模以外的额外因子」。
相关
- q 因子模型 — 概念框架
- Fama & French (2015) 五因子模型 — 主要对照
- Fama & French (1993) 三因子模型
- Factor Themes — 153 特征归并为 13 主题