我院金融系助理教授张大可与合作者Giglio, Stefano; Xiu, Dacheng于2025年2月在金融学领域顶级期刊 The Journal of Finance 上发表学术论文“Test Assets and Weak Factors”， 2025, Vol.80（1）, p. 259-319。

【论文摘要】

测试资产的选择在实证资产定价中扮演着至关重要的作用。近年来，随着实证文献中异常现象及相关特征的大量发现，研究者得以面对一个庞大的测试资产的选择范围。一方面，丰富的测试资产使我们有理由相信，通过分析它们的收益可以帮助我们揭示和识别各种风险的定价，包括那些不能被传统模型很好捕捉到的风险。另一方面，高维数据与弱因子问题相伴而生：某些因子可能仅在部分资产中有所体现，但若大多数资产对该因子缺乏暴露，则该因子会变得弱且难以捕捉，进一步会导致对应的资产定价模型的估计与推断结果不准确。

在本文中，我们认识到这两个实证资产定价中的重要问题——弱因子问题和测试资产的选择——是密切相关的。基于这一认识，我们提出了一种新的方法——监督主成分分析（SPCA），旨在通过合适地选择测试资产来提高弱因子的强度。该方法结合了监督学习的思想与主成分分析的技术，通过迭代地选择相关性强的测试资产、提取主成分以及进行因子投影，有效缓解了弱因子问题。即使在存在弱因子且并非所有因子均能被直接观测到的情况下，SPCA仍能稳健地估计风险溢价。此外，SPCA还可以利用其挖掘弱隐因子的能力，帮助诊断可观测到的因子模型中可能存在的遗漏因子。本文从理论上证明了SPCA方法的渐近性质，并通过多种模拟实验验证了其在解决弱因子问题和诊断遗漏因子方面的优秀表现。同时，本文还展示了该方法在不同实证背景下的一系列应用。这一研究成果不仅为解决实证资产定价中的弱因子问题提供了一种方案，也为推动资产定价理论与机器学习技术的深度融合这一目标作出了贡献。

【作者简介】

张大可，上海交通大学安泰经济与管理学院金融系助理教授，2024年博士毕业于美国芝加哥大学布斯商学院，获计量经济与统计博士学位。