Test Assets 与因子模型检验 (Test Assets for Factor Model Evaluation)
Definition. Test assets (检验资产) 是评估因子模型时所用的收益截面。因子模型的"定价能力" R^2、GRS 统计量、显著 alpha 占比都以 test assets 集合为条件 — 集合越贴近真实有效前沿, 检验越严格; 用低门槛集合 (如 5×5 ME-BM) 检验, 弱模型也能"看起来合格"。
为什么 test assets 决定检验门槛
时间序列回归 R_{i,t} = \alpha_i + \boldsymbol\beta_i^\top \mathbf f_t + \varepsilon_{i,t} 中 \alpha_i 的经济含义是"因子模型解释不了的收益"。若 test assets 由因子模型同族逻辑构造 (如按 size/value 双排序 — 正是 FF 自家因子), 则 alpha 天然小, GRS 拒绝率低 — 这是循环论证。Lewellen et al. (2010) 与 Ang et al. (2020) 的批评都指向这一点。本文 (Cong-Feng-He-He 2025) 的实证展示:
| Test assets (Panel A, 40 年) | N | GRS vs FF5 | \overline{\lvert\alpha\rvert} | 10% 显著 alpha 占比 |
|---|---|---|---|---|
| P-Tree1 (10 个叶组合) | 10 | 141.27 | 0.92% | 100% |
| P-Tree1-20 (200 个叶组合) | 200 | 41.31 | 0.31% | 77% |
| Uni-Sort | 150 | 1.62 | 0.31% | 54% |
| Bi-Sort | 285 | 2.50 | 0.12% | 30% |
| ME-BM 5×5 | 25 | 5.01 | 0.12% | 36% |
| Ind49 | 49 | 1.99 | 0.28% | 39% |
同样五因子模型, 定价 P-Tree test assets 时截面 R^2 从 >90% 崩到 34–74% — "基准模型在常规 test assets 上表现好"很大程度是 test assets 太容易。
好 test assets 的三个标准 (本文论证)
- 多样化且分散: 组合的均值/方差要散布开, 张成的前沿才能逼近个体资产前沿 (ME-BM 25 组合挤在同一水平线, P-Tree 10 组合散布 −2%~3%)。
- 低门槛陷阱: 单/双变量排序组合最多 2 个特征、对称排序 (多空腿同特征) — 非线性与非对称交互不可见; 门槛低 → 检验松。
- 统计功效约束: 资产数远超期数时检验失效 (GRS 需 N < T; PY test 放宽到 N > T) — 本文推荐把多特征、系统性排序的 P-Tree 组合纳入未来模型评价。
与 wiki 已有内容的衔接
- Markowitz Curse (马科维茨诅咒) — 低门槛的另一面: 直接用个体资产做检验又撞上 N/T 病态; P-Tree 用 10 个叶组合逼近个体资产前沿, 是"既要贴近前沿、又要控制 N"的折中。
- Statistical Factors vs Fundamental Factors — 因子模型一侧的谱系 (FF5/Q5 vs RP-PCA/IPCA); test assets 是其评价的对偶问题。
- Jensen Kelly Pedersen 2023 Replication Crisis — "因子动物园"的复制危机背景下, 检验门槛 (test assets 选择) 与多重检验调整是同一问题的两面。
See also
- Panel Tree (P-Tree 目标导向面板聚类树) — 生成高门槛 test assets 的机制
- summaries/202501-growing-efficient-frontier-panel-trees/202501-growing-efficient-frontier-panel-trees — 源摘要
Sources
- Cong, Feng, He & He (2025), arXiv 2501.16730, §4.2 (Table 3 / Table 4)
- Lewellen, Nagel & Shanken (2010); Ang, Liu & Schwarz (2020) — test assets 批评线
- Gibbons-Ross-Shanken (1989) GRS; Pesaran-Yamagata (2023) N > T 检验