Fama & French (2015) —「A Five-Factor Asset Pricing Model」

一句话：在 FF3 的市场 + 规模 + 价值之外，加上盈利（RMW）与投资（CMA）两个因子；结果发现价值因子 HML 变得多余——它的平均收益完全能被其他四个因子的暴露解释掉。

出发点：为什么 B/M、盈利、投资会同时有效

论文从一个很朴素的问题开始：已知平均收益与账面市值比 B/M 有关，也已知盈利与投资能提供额外解释力——为什么？

答案是股利贴现模型 (DDM)。设股价 m_t 是预期股利现值：

m_t = \sum_{\tau=1}^{\infty} \frac{E(d_{t+\tau})}{(1+r)^\tau}

如果两家公司预期股利相同但股价不同，价格低的那家必须有更高的长期平均预期收益——若定价理性，说明它的未来股利必须承担更高风险。这个推论不依赖于定价是否理性（无论市场是理性还是错误定价，结论相同），这让 Fama-French 可以放心地用「预期收益与 B/M 负相关」这一起点。

再结合 Miller-Modigliani (1961) 的恒等式，可导出平均收益与预期盈利、预期投资之间的关系。B/M、盈利、投资三者不是三个独立现象，而是同一个股利现值方程的不同侧面。

五因子

因子	构造	排序变量
R_M - R_F	价值加权市场组合超额收益	—
SMB	小盘 − 大盘	Size（市值）
HML	高 B/M − 低 B/M	Book-to-Market
RMW	高盈利 − 低盈利	OP（营业盈利）
CMA	保守投资 − 激进投资	Inv（资产增长）

两个新因子的定义（这是本文最实用的部分）：

OP = \frac{\text{营业收入} - \text{营业成本} - \text{销售管理费用} - \text{利息费用}}{\text{账面权益}}

Inv = \frac{A_{t-1} - A_{t-2}}{A_{t-2}}

即 Inv = 总资产的同比增长率。高 OP + 低 Inv 的组合（高盈利、保守投资）对应高收益。

排序规则：每年 6 月末按 Size 分 5 组，再独立地按 B/M、OP、Inv 各分 5 组，得到三组 25 组合。样本 1963 年 7 月至 2013 年 12 月，606 个月。

主要发现

1. 五因子模型优于三因子模型

对 Size-OP-Inv 三重排序的 32 个组合做时序回归，五因子模型解释预期收益截面方差的 71%–94%（不同组合集下不同）。但 GRS 检验仍然拒绝五因子模型——即模型整体上仍不完全成立，只是好于 FF3。

2. HML 是多余因子（本文最重要的结论）

把每个因子对另外四个做回归，看截距（即无法被其他因子解释的平均收益）：

被解释的因子	截距	t 统计量
R_M - R_F	约 0.80%/月	>4.7
SMB	显著非零	>3
RMW	显著非零	>3
CMA	显著非零	>3
HML	-0.04\% \sim +0.02\%	-0.47 \sim 0.23

只有 HML 的截距接近零——它的平均收益完全被其他因子的暴露吸收了。回归斜率显示：HML 的收益主要被 RMW 和 CMA 的斜率吸收。其中 CMA 斜率强正，符合直觉（高 B/M 的价值股投资少）；RMW 斜率也强正，意味着控制其他因子后，价值股表现得像盈利稳健的股票——尽管无条件来看价值股盈利更差。

实务结论：如果只关心异常收益（回归截距），四因子模型（去掉 HML）与五因子模型表现一样好；如果还想对规模、价值、盈利、投资溢价做组合倾斜，才需要五因子。论文还提出用正交化后的 HML（HML^O）替代 HML 作为妥协。

3. 模型最大的失败案例：重投资低盈利的小盘股

「小盘 + 大量投资 + 低盈利」的组合是五因子模型最难解释的——这类股票收益显著为负而模型无法定价。

论文给出一个对行为解释的挑战：「重投资低盈利的大盘股」的未解释收益是正的。如果「小盘股被过度投机」是原因，那大盘股不该有相反的符号。这把解释方向推向基本面风险而非投资者行为偏差。

这类组合在应计 (accruals)、净股票发行 (net share issues)、波动率这三个知名异象变量上扮演了重要角色。

4. 因子定义方式的选择不重要

作者比较了三种构造方式——2×3 排序（原始做法）、2×2 排序、2×2×2×2 联合排序——对平均收益的描述能力相近。2×2 版本用全部股票（2×3 版本排除 40%），分散化更好；但论文最终仍选 2×3，理由是先例（precedent）、灵活性、以及与其他研究可比。

论文同时给出一条实用告诫：控制因子不是越多越好。多因子之间相关性强会导致构造组合分散化变差；缩短因子列表时应该重建因子而不是直接丢弃。

为什么重要

它把「价值」的定价难题给出了一个干净的答案：不需要为 HML 单独讲故事，它被盈利和投资吸收了。
它是 q 因子模型的直接对照——Hou-Xue-Zhang 在结论中明确提到本文，并回应了「为什么 q 模型里没有 HML」这个问题：q 模型用 ROE（总利润/资产）而非价格来构造盈利因子，因此天然不含 HML。
它把因子模型的注意力从「还能加什么因子」转向「哪个因子是多余的」，这是 Test Assets 与因子模型检验所讨论的同一类问题。