无风险的套利，要等多久才显形？——一把绕开「联合假设」的市场有效性尺子

[2004 JFE] Testing Market Efficiency Using Statistical Arbitrage with Applications to Momentum and Value Strategies
Steve Hogan, Robert Jarrow, Melvyn Teo, Mitch Warachka
Jun He June 02, 2026
市场有效性 统计套利 动量与价值 资产定价
Note

本文读的是 Hogan, Jarrow, Teo & Warachka (2004, Journal of Financial Economics)：他们提出「统计套利 (statistical arbitrage)」这个概念——一种在长期里几乎稳赚不赔的交易机会，它的定义【不依赖任何均衡模型】，因此其存在本身就足以否定市场有效。用这把尺子去量，动量与价值策略都构成统计套利，且这个结论在扣除交易成本、剔除小盘股之后依然成立。

1 一个让所有「异象」研究都如鲠在喉的问题

先从一桩学术界的老尴尬讲起。

过去几十年，金融学者发现了一大堆「异象 (anomaly)」：Jegadeesh 和 Titman (1993) 说，买过去的赢家、卖过去的输家，一年能挣 12% 的超额收益；Lakonishok、Shleifer 和 Vishny (1994) 说，买价值股、卖魅力股，也能稳稳跑赢。证据越堆越多，看上去市场有效假说 (efficient markets hypothesis) 摇摇欲坠。

但 Fama (1998) 不紧不慢地泼了一盆冷水：你们说的「超额收益」，都是相对某个均衡模型（比如 CAPM）算出来的。如果收益异常，那到底是市场无效，还是你那个模型本身就错了？这就是著名的联合假设难题 (joint hypothesis problem)——任何一次市场有效性检验，其实都在同时检验「市场有效」与「你假设的定价模型正确」两件事，二者纠缠在一起，无法分开。于是只要有人拿出异象，捍卫有效市场的人永远可以说一句：「不是市场错了，是你的模型设定错了。」这盘棋，谁也将不死谁。

更糟的是，Fama 还顺手补了一刀：长期收益（五年以上）的检验结果对统计方法极其敏感，换个方法结论就翻。所以那些靠长期异常收益否定市场有效的研究，结论都得打个问号。

接着，一个自然的问题就浮出来了：有没有一种检验，根本不需要任何均衡模型，从而绕开联合假设这堵墙？

这正是本文的全部野心所在。

2 把「套利」从横截面搬到时间轴上

要绕开均衡模型，作者的思路出奇地朴素：回到「套利 (arbitrage)」本身。

标准的无套利定价理论有一条铁律——套利机会与有效市场不能共存（见 Jensen, 1978）。这条铁律的妙处在于：判断一个机会是不是套利，完全不需要任何定价模型，你只要看现金流就够了。如果存在一个零成本、却能稳赚不赔的策略，市场就不可能处在任何均衡里，自然也就谈不上有效。

但纯粹的无套利（标准套利）太苛刻了，现实中的异象策略并不是绝对稳赚——它们短期会亏。于是作者做了一件关键的事：把 Ross (1976) 套利定价理论 (APT) 里那个「横截面极限」的套利，平移成一个「时间序列极限」的套利。

Tip

这个类比是全文的灵魂。Ross 的 APT 说：当资产数目趋于无穷，横截面上的特质风险可以被分散掉，于是定价误差必须消失。本文说：当交易时间趋于无穷，时间序列上的随机波动可以被「时间分散」掉，于是一个持续的盈利机会必然显形为无风险利润。一个在「资产数」上取极限，一个在「时间」上取极限。

他们把这个时间序列版本的套利叫做统计套利 (statistical arbitrage)。

3 用三个例子，逼出统计套利的定义

作者没有一上来就甩定义，而是像剥洋葱一样用三个例子把直觉逼出来。这一节值得一步步跟着走。

例 1（买入持有一只股票）。 在标准 Black-Scholes 经济里，股价服从几何布朗运动，借钱买一股并持有，累计交易利润为

$$V(t)=S_0\big(e^{[a-\sigma^2/2]t+\sigma W_t}-e^{rt}\big),\qquad V_0=0.$$

它的贴现累计利润 \(u(t)=V(t)/B_t\) 的期望和方差都随时间趋于无穷：

$$E^P[u(t)]=S_0\big[e^{(a-r)t}-1\big]\to\infty,\qquad \mathrm{Var}^P[u(t)]=S_0^2 e^{2(a-r)t}\big[e^{\sigma^2 t}-1\big]\to\infty.$$

关键在于：连时均方差 (time-averaged variance) \(\mathrm{Var}^P[u(t)]/t\) 也炸向无穷。风险随时间越滚越大——这不是套利。

例 2（带漂移的布朗运动）。 设贴现累计利润 \(u(t)=\alpha t+\sigma W_t\)，则 \(E^P[u(t)]=\alpha t\to\infty\)，\(\mathrm{Var}^P[u(t)]=\sigma^2 t\to\infty\)，而时均方差恒等于常数 \(\sigma^2\)，不消失。盈利在涨，可单位时间的风险纹丝不动——还不是套利。

例 3（真正的统计套利长这样）。 现在把每一个交易区间 \([t_{k-1},t_k]\) 的贴现利润增量写成

$$u(t_k)-u(t_{k-1})=m+\sigma z_k,$$

其中 \(m,\sigma>0\)，\(z_k\) 独立同分布、均值为 0，但方差等于 \(1/k\)——也就是噪声随时间越来越小。累加起来：

$$u(t_n)=\sum_{k=1}^{n}\big[u(t_k)-u(t_{k-1})\big]=mn+\sigma\sum_{k=1}^{n}z_k,$$

于是

$$E^P[u(t_n)]=mn\to\infty,\qquad \mathrm{Var}^P[u(t_n)]=\sigma^2\sum_{k=1}^{n}\frac{1}{k}\to\infty,$$

两者都发散。但真正关键的一步在于那个时均方差：

$$\frac{\mathrm{Var}^P[u(t_n)]}{n}=\frac{\sigma^2}{n}\sum_{k=1}^{n}\frac{1}{k}\;\longrightarrow\;0\quad(n\to\infty).$$

调和级数 \(\sum 1/k\) 只以 \(\ln n\) 的速度爬升，被 \(n\) 一除就归零了。这意味着：盈利在线性累积，而单位时间承担的风险却在悄悄蒸发。时间替你完成了「分散」，就像 APT 里资产数目替你分散掉特质风险一样。这，才是统计套利。

把这三个例子的共性提炼出来，就是论文的核心——定义 1：一个零初始成本、自融资的策略 \((x(t):t\ge 0)\)，其贴现累计价值 \(u(t)\) 若满足

$$u(0)=0,$$ $$\lim_{t\to\infty}E^P[u(t)]>0,$$ $$\lim_{t\to\infty}P\big(u(t)<0\big)=0,$$ $$\lim_{t\to\infty}\frac{\mathrm{Var}^P[u(t)]}{t}=0\quad\text{if } P\big(u(t)<0\big)>0\ \ \forall\, t<\infty,$$

则称其为统计套利。

四个条件，翻成大白话：(1) 不花钱、自己养活自己；(2) 长期期望利润为正；(3) 亏损概率最终趋于零；(4) 只要任何有限时点都还有亏损可能，那时均方差就必须归零。第四条是真正把它和「例 1、例 2 那种伪机会」区分开的那道闸门——它也恰好回应了 Shleifer 和 Vishny (1997)《套利的极限》里的担忧：套利者最怕的是中途的波动把他打爆，而统计套利保证了这种波动会随时间稀释。标准套利不过是统计套利的一个特例（亏损概率在有限时间内就变成零的那种）。

4 模型：把统计套利「翻译」成几个可估的参数

定义很美，但怎么拿数据去检验？这是第 3 节做的事，也是本文方法论的精华。

作者给贴现累计交易利润的增量 \(\Delta u_i = u(t_i)-u(t_{i-1})\) 设了一个简洁的设定（取等距时间间隔 \(\Delta=1\)）：

$$ \Delta u_i = \cssId{a1}{\mu\, i^{\theta}} + \cssId{a2}{\sigma\, i^{\lambda}}\,\cssId{a3}{z_i} $$

其中 \(z_i\) 独立同分布、服从标准正态。把增量累加，得到累计贴现利润

$$u(t_n)=\sum_{i=1}^{n}\Delta u_i=\mu\sum_{i=1}^{n}i^{\theta}+\sigma\sum_{i=1}^{n}i^{\lambda}z_i.$$

接下来是漂亮的一步：把定义 1 的四个抽象极限条件，翻译成对参数 \((\mu,\theta,\lambda)\) 的几个不等式。

期望项 \(E^P[u(t_n)]=\mu\sum i^{\theta}\)，要发散且为正，需要 \(\mu>0\)（且 \(\theta>-1\)）。方差项 \(\mathrm{Var}^P[u(t_n)]=\sigma^2\sum i^{2\lambda}\)，其时均值 \(\sigma^2\sum i^{2\lambda}/n\) 当且仅当 \(\lambda<0\) 时趋于零——这就是第四条。至于亏损概率趋零（第三条），需要期望增长得比标准差快，化简后是 \(\theta>\lambda-\tfrac12\)。于是：

$$\boxed{\ \text{统计套利}\iff \mu>0,\ \ \lambda<0,\ \ \theta>\lambda-\tfrac12.\ }$$

这就把一个哲学味十足的「长期无风险盈利」问题，钉死成了三个可以用极大似然估计、再做假设检验的参数限制。

作者据此区分了两个版本：约束均值模型 (constrained mean, CM) 令 \(\theta=0\)（期望利润恒定），此时统计套利的条件干脆利落地缩成两条——\(\mu>0\)（长期期望利润为正）且 \(\lambda<0\)（增量波动随时间衰减）；非约束均值模型 (unconstrained mean, UM) 则放开 \(\theta\)，允许期望利润随时间变化。检验「无统计套利」这个原假设时，他们对各个不等式分别构造 \(t\) 统计量，再用 Bonferroni 不等式把联合 \(p\) 值「保守地」界住——这意味着检验是偏向于接受「无套利、市场有效」的（后文的模拟也证实了这一点）。换句话说，凡是它认定的统计套利，都是顶着一把「宁可放过、不肯错杀」的尺子被揪出来的。

Note

请特别留意这套方法和传统 alpha 检验的根本区别：标准做法是回归出一个风险调整后的截距 \(\alpha\)，但「风险调整」这一步就预设了一个均衡模型，于是又掉回联合假设的陷阱里。而统计套利检验直接分析自融资策略的美元计价增量利润，全程不碰任何定价模型。更微妙的是，作者证明 alpha 检验（对均值做 \(t\) 检验）根本侦测不到统计套利——因为那等价于假设波动率的变化率 \(\lambda=0\)，恰好违反了至关重要的第四条。

5 数据与主要结果：动量和价值，都「漏」了

为了把数据挖掘 (data mining) 的嫌疑降到最低，作者刻意不去发明新策略：动量策略照搬 Jegadeesh-Titman (1993)，价值（逆向）策略照搬 Lakonishok et al. (1994)。样本期为 1965 年 1 月 至 2000 年 12 月，完整覆盖了这两篇原始论文的区间。每个策略都把 $1 恒定地放在「多头减空头」的风险头寸上，盈利则投进货币市场账户——这一招本身就在压低时均方差，同时干净地排除了 Duffie (2001) 所说的「加倍下注 (doubling)」策略。

结果相当扎眼：

下面这张图把统计套利的两个核心条件画在了一起——亏损概率单调下行、时均方差持续衰减，正是定义里第三、四条在数据上的具体显形。

Figure 4: Probabilityof a loss andtime-averaged variancefor the momentumstrategy(MOM6/12)that

Figure 4: Probabilityof a loss andtime-averaged variancefor the momentumstrategy(MOM6/12)that

如果只看累计利润的轨迹，那条曲线则像一道稳稳向上的斜坡（见图 3），盈利一点点累积，而非靠某几次暴利撑场面。

Figure 3: Discounted cumulative trading profits from a momentum (MOM 6/9) trading strategy. The

Figure 3: Discounted cumulative trading profits from a momentum (MOM 6/9) trading strategy. The

（关于动量收益究竟由谁、如何产生，可参见《动量到底是谁干的？——把成交单拆成大小两摞来看》；而价值、规模、动量在风险框架下的命运，可参见《会「看天」的 beta：当风险收编了价值与规模，动量却躲进了商业周期》。）

6 然后，是一连串「真能落地吗」的拷问

一个能赚钱的策略，最怕的就是「纸面上的钱」。作者于是一关一关地往里加摩擦。

交易成本。 他们算出每个组合的换手率，配上 Chan 和 Lakonishok (1997) 估计的往返交易成本，把增量利润逐期向下调。除此之外，还按 Alexander (2000) 的做法加进了四种额外摩擦：多空双边的保证金要求、保证金账户利息缩水、空头的额外流动性缓冲、以及高于存款利率的借款利率。在这套「拟真」环境里，5% 水平上的 11 个统计套利，仍有 9 个屹立不倒。

小盘股。 异象常被怀疑是小盘股在作祟（Hong et al., 2000；Mitchell & Stafford, 2000）——它们交易成本高、流动性差。作者把市值低于 NYSE 50% 分位的股票全部剔除，结果动量组合几乎全数（只少一个）、价值组合 12 个里 7 个仍在 5% 水平上通过统计套利检验。结论不是小盘股撑起来的。

CM 还是 UM？ 该用恒定期望利润 (CM) 还是时变期望利润 (UM)？四项独立检验一致指向 CM：在 15 个达到统计套利的策略里，只有 1 个的期望利润衰减率 \(\theta\) 显著为负；两个模型的样本内拟合（RMSE）、残差平方和几乎无差别；似然比检验也无法拒绝「期望利润恒定」。UM 反而因为多塞了一个参数、把信息摊薄，削弱了检验的功效。

模拟稳健性。 作者还往假设的利润过程里掺入自相关、跳跃、参数非平稳，再跑检验。模拟显示，该检验系统性地偏向于接受「无统计套利」的原假设。换句话说，它是个保守的检验——它说有，那多半是真有。

7 反转：当同一把尺子量向「规模因子」

故事到这里，似乎是异象的全面胜利。但真正体现这把尺子价值的，是它也会说「不」的时候。

作者把同样的方法对准了 Fama-French (1993) 的规模因子 SMB（小减大）。SMB 在样本期里的 \(t\) 统计量告诉你：做多小盘、做空大盘，期望利润为正。按传统 alpha 检验，这又是一个「异象」。

可统计套利检验给出的答案是：SMB 不构成统计套利。 它的累计利润曲线（见图 8）在 1980 年代初之后就失去了那种稳定上行、风险递减的特征。这恰好印证了金融学界一个流传已久的判断——规模效应在 1980 年代初之后就消失了。

Figure 8: Cumulative trading profits from $1 invested in the Fama and French (1992) Small Minus Big

Figure 8: Cumulative trading profits from $1 invested in the Fama and French (1992) Small Minus Big

这个反转之所以重要，是因为它说明统计套利检验不是一台只会喊「异象成立」的复读机：同样的数据、同样的方法，对动量和价值说「是」，却对规模说「不是」。一把会拒绝的尺子，才是一把可信的尺子。

8 文献脉络

把这条线索拉直来看，统计套利是几股思想汇流的产物。

源头是 Ross (1976) 的套利定价理论——它教会我们如何在不指定均衡的前提下，用「极限套利」约束价格。与此并行，Jensen (1978) 立下了「经济交易利润的存在即否定市场有效」这条判据。进入 90 年代，实证派抛出了一个又一个异象：Jegadeesh 和 Titman (1993) 的动量、Lakonishok、Shleifer 和 Vishny (1994) 的价值/逆向，把市场有效假说逼到墙角。然而 Fama (1998) 用联合假设难题与「长期收益对方法敏感」两记重拳，又把战局拉回僵持。与此同时，Shleifer 和 Vishny (1997) 提醒人们：现实中的套利是有风险、有极限的。

文献脉络时间线
文献脉络时间线（按发表年份排布；红色为本文）

本文 (Hogan et al., 2004) 正是站在这个十字路口上：它接过 Ross 的「极限套利」思想，把它从横截面平移到时间轴，造出一个不依赖均衡模型、因而绕开联合假设的检验；同时用「时均方差归零」这一条，正面回应了 Shleifer-Vishny 对套利风险的担忧。它既是异象文献的延续，也是无套利市场有效性检验（如 Kamara & Miller, 1995 对看跌-看涨平价的检验）在时间维度上的推广。

值得一提的是，统计套利这个概念后来在实证交易里开枝散叶，最典型的就是配对交易——同一思想的另一种落地（参见《赢家做空，输家做多：一条简单到「不该」赚钱的套利规则》）。而「市场究竟要多久才把异象消化掉」这个问题，也呼应了《市场要多久才「想明白」？——给效率装上一只秒表》。

9 评论与延伸（Q&A + 研究方向）

(a) 几个可能的疑问

Q：统计套利和标准的无风险套利，到底差在哪？

差在「会不会亏」这件事上。标准套利在某个有限时点之后亏损概率就是零，绝对稳赚；统计套利允许任何有限时点都还有亏损可能，只要求亏损概率在无穷远处趋于零、且时均方差归零。两者只隔着一个 \(\varepsilon\) 的亏损概率——标准套利是统计套利的极限特例。

Q：它真的「绕开」了联合假设吗，还是只是把模型假设藏进了别处？

它确实不需要任何资产定价/均衡模型——判据只看自融资策略的美元增量利润。但它并非毫无假设：它假设了利润增量的统计过程（那个 \(\mu i^\theta+\sigma i^\lambda z_i\) 的设定）。所以严格说，它把「定价模型的联合假设」换成了「数据生成过程的统计假设」。好在作者用模拟检验了对自相关、跳跃、非平稳的稳健性，且检验偏保守，这层假设的代价被压得比较低。

Q：第四条「时均方差归零」为什么是灵魂？

因为它正是区分「真机会」与「伪机会」的闸门。例 1、例 2 都满足期望利润为正，但时均方差不降反升或恒定——风险没被时间稀释，这种「盈利」随时可能被一次大波动吞掉。只有时均方差归零，才意味着时间在替你做分散、夏普比率随时间单调上升，长期看才真正「无风险」。

Q：传统的 alpha 检验为什么抓不到统计套利？

因为对均值做 \(t\) 检验，等价于默认波动率的变化率 \(\lambda=0\)，而这恰好违反了「\(\lambda<0\)」这条核心条件。alpha 检验只盯着「期望收益是否为正」，完全看不见「风险是否随时间衰减」这第二个维度——而后者才是统计套利的命门。

Q：既然检验偏向接受「市场有效」，那找到统计套利会不会只是运气？

模拟显示该检验系统性地偏保守（容易漏报、不易误报），加上结论在扣交易成本、剔小盘股、bootstrap 重排序后都稳健，运气解释很难成立。更何况它对 SMB 给出了「否」——一个会拒绝的检验，比一个只会肯定的检验可信得多。

Q：那这是不是说市场就是无效的、可以躺着赚钱？

要谨慎。作者自己强调，这是事后 (ex post) 在样本期里检验统计套利是否存在，而非事前 (ex ante) 保证未来可复制。异象一旦被广泛知晓、资金涌入，机会很可能被套利掉。统计套利的存在否定的是「样本期内市场处于某种均衡」，而不是承诺一台永动印钞机。

(b) 几个可能的研究问题与提案

1. 把统计套利检验搬到公司债/信用市场。

【经济故事】公司债收益里既有久期/信用风险溢价，也有流动性溢价，传统检验同样受困于「该用哪个定价模型」的联合假设。统计套利检验不依赖模型，天然适合检验「信用动量」「廉价债组合」是否构成长期无风险盈利。 【可行性】中。数据有 TRACE 成交、Mergent FISD，可构造美元计价增量利润；难点在于公司债流动性差、价格非连续、交易成本高，需把往返成本与做市价差认真打进增量利润，否则容易高估。识别上沿用本文的 CM/UM 参数检验即可，doable，但要诚实处理「价格陈旧」带来的方差低估。

2. 外资持有人是否在新兴市场制造（或消灭）统计套利？

【经济故事】外资进出常被认为给某些市场带来可预测的价格压力。可以检验「跟随外资流向」的策略是否构成统计套利，进而判断外资到底是把市场推向有效，还是制造了持续偏离。 【可行性】中偏低。需要逐月、逐券的外资持仓/资金流数据（如部分新兴市场托管数据），可得性是主要瓶颈；一旦拿到，识别框架可直接复用本文。

3. 统计套利的「半衰期」：异象被套利掉的速度。

【经济故事】本文是事后检验，但参数 \(\theta\)（期望利润变化率）本身就编码了「机会在不在衰减」。把样本滚动切片、追踪 \(\theta\) 随年代的变化，可以量化某个异象「从统计套利退化为非套利」的时间路径——正如 SMB 在 1980 年代初的退场。 【可行性】高。只需对现成的动量/价值组合做滚动窗口的参数估计，数据与方法都齐备，是一个干净、可立即上手的延伸。

4. 把交易成本内生化，求「最优交易频率」。

【经济故事】本文把成本外生地减掉。但换手越频繁、成本越高，而持有越久、时均方差降得越慢。这中间存在一个最优交易频率，使统计套利「最稳」。 【可行性】中。需要一个把成本与时均方差同时纳入的优化框架，理论建模为主、实证校准为辅，doable 但需要额外的微观结构假设。

5. 高频/日内尺度上还存在统计套利吗？

【经济故事】本文是长期（月度、上百个月）视角。在日内尺度，做市、抢跑等机制可能制造短暂但可重复的盈利机会。把「时间分散」的逻辑搬到高频，检验其时均方差是否归零，是个有意思的方向。 【可行性】低偏中。高频数据噪声极大、微观结构效应（买卖价差跳动、离散价格）严重，本文的正态增量假设大概率失效，需重新设定数据生成过程，挑战不小。

10 我的判断

这篇论文最漂亮的地方，不在实证结果有多惊人，而在概念的干净：它用一个「时间序列版的极限套利」，把市场有效性检验从「必须先承诺一个定价模型」的泥潭里拔了出来。把抽象的四条极限条件，一步步翻译成 \(\mu>0,\lambda<0\) 这样可估的参数限制，再用一个偏保守的 Bonferroni 检验去守门——整条逻辑链条自洽且优雅。对 SMB 说「不」的那一刻，更是给了这把尺子可信度。

但对识别，我有两点保留。其一，它把「定价模型的联合假设」换成了「利润增量服从 \(\mu i^\theta+\sigma i^\lambda z_i\) 的统计假设」——模拟虽显示对若干偏离稳健，但这毕竟是一个特定函数形式，幂律的设定本身是否会人为地制造出「\(\lambda<0\)」，值得更彻底的非参数检验去敲打。其二，这是不折不扣的事后检验：它告诉你 1965–2000 年里这些策略曾是统计套利，却不保证一个事前的交易者能复制——而动量、价值在 2000 年后的表现，恰恰提醒我们机会会被套利侵蚀。

我接下来最想看到的，是有人把这把尺子滚动地、动态地用起来：追踪每个异象的 \(\theta\) 与 \(\lambda\) 如何随年代漂移，画出它们「从统计套利退化为噪声」的生命周期曲线。那将比一次性的「是/否」判决，更能告诉我们市场究竟是怎样、以多快的速度，一点点把免费的午餐收走的。

参考文献