标签： #异象

Stambaugh-Yuan (2017) 发现学术界几百个「异象」大多不是独立 alpha，而是两坨系统性误定价的症状。本文从零用 PCA 把 17 个异象坍缩成 MGMT 与 PERF 两个误定价因子，并用时间序列回归证明：FF3 下异象平均留 4.28% 的年化 alpha，加入 MGMT+PERF 后塌到 0.58%。附完整 Python 与五类真实陷阱（中阶）。

传统资产定价说「高风险高收益」，但特质波动率（IVOL）异象恰恰相反：特质波动越高的股票，长期收益越低。本文用 Python 从零估计特质波动率（市场模型回归残差标准差），五分位验证「低 IVOL 跑赢」的单调关系，构建多空因子，并用规模中性化检验它到底是真 alpha 还是风格伪装；最后落到套利限制（Miller 1977）解释为何这个异象几十年不被消灭，并诚实拆穿合成自证/估计窗口/做空不可得/规模流动性混淆/过拟合/波动聚集六类真实陷阱(中阶)。

日历异象是最古老也最容易被嘲笑的量化命题——月初涨、周五强、五月卖出。但它们真的存在吗？我们用 25 年日频合成数据把三类季节性(月初效应 / 周内效应 / Sell-in-May)逐一做统计检验与净值回测，给出可复现的 Python：月初前3天日均收益 0.036% vs 其余 0.016%、冬季持有 Sharpe 0.70 远超全年持有 0.23，并附六类真实陷阱（高阶）。

净权益发行 NI = 新股发行 − 回购 − 配股。截面规律很反直觉：净增发越多的公司未来回报越低，净回购越多的反而越高。这个被长期低估的「聪明钱信号」背后是管理层择时动机。本文用自洽面板演示十档单调递减、多回购空增发的 L-S 组合（年化约 10%、t≈11），并诚实拆解持续性伪相关、幸存者偏差、市场机制变化等真实陷阱，附完整 Python 与六类陷阱（高阶）。