摘要

我们提出了一个关于横截面资产定价的新的，简单的贝叶斯估计和模型选择程序。我们的方 法允许交易和不可交易的因子，并适用于高维情况，有几个理想的性质。首先，微弱和虚 假的因子导致其市场风险价格的后验扩散并集中于零，使这些因子易于被发现。其次，后验 推理对这些因子的存在具有稳健的。第三，我们发现平坦的风险溢价先验导致不适当的边际 似然，使得模型选择无效。因此，我们提供了一种新的先验，它对强因子是扩散的，但会缩 小无用的因子，在这种情况下，后验概率表现良好，可用于大规模问题中的因子和(不一定嵌 套的)模型选择，以及模型平均。我们将我们的方法应用于文献中提出的一组非常大的因子， 并分析了2.25千万亿种可能的模型，获得了关于资产回报的经验驱动因子的新见解。

研究背景与问题

在过去十年左右的时间里，有两个观察结果出现在实证资产定价文献的前沿。一是，在不久 的将来，将有更多识别风险来源的实证，这被称为“因子动物园”现象。二是，使用实证资产定价中 普遍使用的方法，无用因子可能出现实证相关性，使得有关风险真实来源的推断无效。

然而，据我所知，到目前为止。没有一般性方法可以同时处理可以同时处理可交易因子和 不可交易因子、处理庞大的因子动物园、在模型错误设定后仍保持有效性以及对于虚假问题保持有效性。 因此，提出这样一个方法对于解决这些问题非常迫切。

研究方法

我们构建了一个非常简单的贝叶斯版本的经典Fama-MacBeth回归，这个方法对可交易因子 和不可交易因子都适用。在有限样本中，这个方法使无用因子很容易被检测到，同时，强势因子 的风险溢价提供后验信息。

本文