这篇论文题为《In good and in bad times? The Relation between anomaly returns and market states》（2026年6月11日online），发表于《金融与银行学刊》（Journal of Banking and Finance）。

1. 研究目标

作者探讨股票市场异常现象（Anomalies）（如规模、账面市值比、动量等）的收益表现如何随市场状态（好时期 vs. 坏时期）而变化。主要目的是在三种竞争性解释中寻找答案：这些收益是风险补偿、定价错误（误定价）还是数据挖掘的结果？

2. 数据与方法

• 样本范围：涵盖全球 56 个股票市场，分析了 133 种回报模式（异常现象/因子）。

• 时间跨度：1980 年至 2019 年。

• 市场状态界定：构建了一个名为 GOOD TIMES的综合指标，结合了 200 天移动平均线和过去三年的指数表现。

• 评估模型：主要采用 Carhart 四因子模型 (C4)来衡量每日异常收益（Alpha），并使用了多种稳健性测试模型（如 Fama-French 六因子等）。

3. 核心发现

• 坏时期表现更佳：异常现象在不利的市场状态（坏时期）下表现显著更好。

• 在坏时期，多空组合的每日价值权重四因子 Alpha 为 1.7 个基点 (bps)。

• 在好时期，这一数值仅为 1.0 个基点。

• 这意味着异常策略在市场低迷时的有效性比好时期高出约 70%。

• 做空侧是主要驱动力：在坏时期获得的性能提升中，约 75% 归功于异常组合的“空头侧”（Short side）。

• 类别差异：

• 基于市场、基本面和估值的异常现象在坏时期收益增加最明显。

• 相比之下，传统的风险因子（如 Fama-French 的市场、规模、价值因子）在好时期表现更好，这符合它们作为风险补偿的本质。

• 情绪影响：研究发现，在低情绪（负面新闻/社交媒体情绪）时期之后，异常收益更高。

4. 理论意义

• 挑战风险补偿理论：根据消费资产定价理论，如果异常收益是风险补偿，它们应该在坏时期表现更差（因为此时投资者最需要保护）。然而，研究结果恰恰相反，异常现象在坏时期反而提供了超额回报。

• 支持误定价理论：研究结果支持了基于**反应不足（Underreaction）**的误定价解释。在坏时期，套利限制（如卖空约束）和投资者对负面消息的反应滞后，导致误定价更难被纠正，从而使异常收益更丰厚。

• 排除数据挖掘：通过生成随机虚拟异常值的测试，证明了这种“坏时期表现更好”的模式并非数据挖掘的偶然结果。

5. 实践建议

• 动态对冲策略：研究者提出了一种基于市场状态和波动性的动态对冲策略。实验表明，这种策略在 G7 国家中能够显著提高夏普比率，即使在考虑了实时操作的限制后，其表现依然优于传统的无条件策略。

结论

全球范围内的股票市场异常现象主要反映了市场效率低下和误定价，而非对基本风险的补偿。这些异常策略在经济低迷时期不仅具有韧性，反而更加有效，尤其是通过做空被高估的股票。

https://www.sciencedirect.com/science/article/pii/S0378426626001202

PDF已更新至星球，更多策略、资讯⬇️

欢迎加入：学术界的Alpha