我院赵钊博士与国际与国际计量经济学知名教授的合作论文（合作者：Olivier Ledoit at University of Zurich, Switzerland；Michael Wolf at University of Zurich, Switzerland）“Efficient Sorting: A More Powerful Test for Cross-Sectional Anomalies”在金融计量经济学领域顶尖杂志、经济学国际一流期刊Journal of Financial Econometrics，2018年7月发表。

寻求能有效预测股票收益的因子是学术界和投资界都十分关注的话题。传统的方法按照因子得分的大小将股票排序分组后构建相应的多空头中性组合，通过组合的回报说明该因子是否能有效预测股票收益，但这种方法忽略了包含在股票收益协方差矩阵中的信息。我们知道，由于待估参数过多，估计高维资产收益率的协方差矩阵存在诸多难点。该论文证明了利用Engle等（2017）提出的DCC-NL估计量能大大增加横截面收益率异象的检验势。研究表明，平均而言，利用DCC-NL模型所得t检验量的值比传统方法增加了一倍多。由于t值增加一倍等价于将数据集的时间跨度增加近3倍。因此，这一发现的重要意义在于，其使得历史较短的股票收益预测因子能够被及时发现：假如利用传统方法要证明一个预测因子的显著性需要40年的数据，那么利用DCC-NL模型我们只需10年的数据即可证明其统计显著。

全文链接：https://doi.org/10.1093/jjfinec/nby015