为什么资产增长越快，股票反而越容易跑输？新研究给出了一个不同答案

在因子投资里，有一个很经典的现象：

增长越快的公司，未来股票收益往往越低。

反过来，那些扩张比较保守、资产增长较慢的公司，未来表现反而更好。

这个现象通常被叫做 Asset Growth Anomaly，也就是“资产增长异象”。

它不是一个很边缘的学术发现。

Fama-French 五因子模型里的 CMA 因子，Hou、Xue、Zhang 的 q-factor 模型里的 Investment Factor，背后都和公司的投资、资产增长有关。

所以过去很多人会把它理解成一种风险补偿：

企业投资越保守，承担的某些风险越高，因此投资者要求更高的预期收益。

但最近一篇研究提出了一个不太一样的解释。

问题可能不只是风险。

我们平时看到的“资产增长越高，未来收益越低”，有可能只是两个完全不同的股票群体混在一起以后形成的平均结果。

这篇论文叫《What drives the Asset Growth-return Relation: Mispricing or Risk?》，作者使用了 1963—2022 年超过 17 万个 firm-year 样本，并用有限混合模型去识别市场里潜在的不同股票群体。

结果很有意思。

先搞清楚：什么是资产增长？

资产增长其实很好理解。

假设一家公司去年总资产是 100 亿元，今年变成了 130 亿元。

它的资产增长率大约就是 30%。

这种增长可能来自很多地方：

扩大产能、收购公司、增加库存、建设工厂、增加研发投入，或者其他资本开支。

直觉上看，一家公司愿意大规模扩张，似乎应该是件好事。

它可能意味着管理层看好未来，也可能意味着公司发现了很多投资机会。

但长期的股票数据却经常呈现出一个反直觉现象：

高资产增长公司的未来股票收益，往往低于低资产增长公司。

也就是说：

公司越积极扩张，不代表股票越容易赚钱。

这就是 Asset Growth Anomaly。

为什么 Fama-French 会把它放进因子模型？

Fama-French 五因子模型里有一个因子叫 CMA：

Conservative Minus Aggressive。

大致可以理解成：

买入投资比较保守的公司，卖出投资比较激进的公司。

之所以这么设计，并不是简单因为历史数据显示它赚钱。

背后有一套风险和资产定价逻辑。

Fama 和 French 的解释与估值理论有关：在其他条件相同时，如果企业未来资产增长更快，对应的预期收益率可能更低。

q-factor 的解释稍微不同。

q-theory 更强调企业投资决策和资本成本之间的关系。

当公司的资本成本高时，企业更不愿意投资；因此低投资可能反映较高的折现率，而高折现率通常意味着更高的预期收益。

虽然理论路径不同，但最后得到的结果比较接近：

低投资、低资产增长公司，应该拥有更高预期收益。

这属于一种相对“理性”的解释。

市场并不一定错。

只是不同公司承担的风险和资本成本不同。

但这篇研究问了一个问题

如果事情真这么简单，为什么资产增长和未来收益之间一定是一条近似直线？

也许市场里根本不存在一条统一的：

资产增长 ↑未来收益 ↓

关系。

有可能我们把完全不同的公司混到了一起。

比如，有些公司本身被市场低估。

另一些公司本身被高估。

它们增加资产时，市场给出的反应可能完全不同。

如果把这两类公司全部扔进一个回归模型，最后算出来一条“平均趋势线”，这条线可能根本不代表任何一个真实群体。

这就是这篇论文真正有意思的地方。

作者发现了两个隐藏的股票群体

研究结果显示，数据更支持把公司分成两个潜在群体，而不是认为所有公司都遵循同一种资产增长—收益关系。

其中一个群体里，资产增长和未来收益大致呈现 U 型关系。

另一个群体则呈现 倒 U 型关系。

可以简单想成这样：

第一类公司：

第二类公司：

单独看，两组都不是简单的“资产增长越高，收益越低”。

但有一个关键细节：

两条曲线向下的那一段，都比向上的那一段更陡。

于是，当我们把这两个群体混到一起以后，整体数据看起来就会形成一条负斜率。

也就是我们熟悉的：

资产增长越高，未来收益越低。

论文认为，这可能是传统 Asset Growth Anomaly 背后的一部分原因。

这件事的重要性在于：

我们一直看到的“线性因子”，可能只是多个非线性机制叠在一起后的平均结果。

问题来了：这两个群体到底是什么？

作者并没有一开始就直接规定：

这批股票是高估股票。

那批股票是低估股票。

因为“股票到底有没有被高估”本身就是一个很难直接观察的变量。

于是他们用了一个叫做 Finite Mixture Normal Regression 的方法。

中文通常可以叫：

有限混合正态回归。

名字听起来比较复杂，但思路其实不难。

假设你面前有一堆数据。

传统回归会认为：

所有数据背后大致是同一个关系。

有限混合模型则允许另一种可能：

这些数据其实来自几个不同的群体，只是你现在不知道谁属于哪一组。

模型一边估计每个群体自己的关系，一边判断每家公司更可能属于哪个潜在群体。

也就是说，研究者没有先给股票贴“高估”“低估”的标签。

而是先让数据自己分群。

作者发现，从一个群体变成两个潜在群体后，模型拟合显著改善；Alpha Architect 对论文的解读提到，BIC 下降超过 10,000，说明两组结构明显比单一群体更符合数据。

接下来才是关键：

这两个模型自动识别出来的群体，真的和“错价”有关吗？

作者为什么认为这更像错价，而不只是风险？

如果资产增长异象纯粹来自风险补偿，那么它应该主要和风险相关。

但如果它来自市场错价，那么在“错价不容易被套利消灭”的股票里，这个现象应该更加明显。

什么股票最难套利？

比如：

• 特质波动率比较高；
• 机构投资者持股比较低；
• 分析师覆盖比较少；
• 交易或者做空成本比较高。

这些股票即使出现明显的高估或低估，专业投资者也未必愿意立即进去纠正价格。

因为风险太大，或者成本太高。

这就是所谓的：

Limits to Arbitrage，套利限制。

此前也有研究发现，资产增长异象在套利限制更加严重的股票中更明显，这一直被看作支持错价解释的重要证据。

这篇新研究进一步发现，通过模型识别出的潜在群体，也呈现出和错价代理变量相符的特征。

因此作者认为，资产增长与未来收益之间的关系，至少相当一部分可能来自市场错误定价，而不是简单的风险补偿。

为什么高资产增长容易和错价联系起来？

这其实不难理解。

想象一家非常热门的成长公司。

过去几年：

收入高速增长。

公司不断开新店、建设工厂、收购竞争对手、扩张海外市场。

投资者非常乐观。

于是市场可能同时发生两件事：

第一，公司确实在快速扩张。

第二，投资者把未来增长预期推得太高。

如果实际增长最终没有达到市场最乐观的预期，估值就需要往下修。

所以：

高资产增长本身未必是一件坏事。

问题可能是：

市场有没有为这种增长付出了过高的价格？

这就把资产增长因子和另一个经典问题连起来了：

估值。

同样是资产快速扩张，一家明显低估的公司和一家极度高估的公司，未来收益表现未必一样。

如果我们只看 Asset Growth 一个变量，很容易把两者混在一起。

这给量化研究一个很重要的提醒

很多量化研究习惯这样做：

找一个指标，比如资产增长。

把全市场股票从低到高排序。

分成 5 组或者 10 组。

然后比较：

最低组收益
vs
最高组收益

如果两边差异明显，就认为发现了一个因子。

这种方法很有效，也非常常见。

但它有一个潜在问题。

它默认了一个假设：

这个因子在不同类型股票中的作用机制，大致是一样的。

现实未必如此。

资产增长就是一个例子。

同样一个 30% 的资产增长率，在不同股票上可能代表完全不同的事情。

对于一家被严重低估的公司，它可能代表经营改善。

对于一家估值已经非常高的公司，它可能代表过度扩张。

对于一家资金紧张的公司，它可能意味着高风险投资。

对于一家现金充裕的龙头公司，它可能只是正常资本开支。

所以一个因子的平均收益，可能只是很多不同机制混在一起的结果。

这对我们理解 CMA 因子有什么影响？

这里要特别谨慎。

这篇研究并不能直接证明：

Fama-French 的 CMA 因子是错的。

也不能证明：

投资因子完全不存在风险补偿。

论文回答的问题更接近：

资产增长和未来股票收益之间的负相关，是否只能用风险解释？

答案看起来是否定的。

错价很可能扮演了重要角色。

也就是说，CMA 的统计表现是真实存在的，但它背后的经济机制可能比一个简单的风险故事复杂。

这两个概念要分开。

因子有没有收益，是一个问题。

因子为什么有收益，是另一个问题。

在量化投资里，我们经常更关注第一个。

但如果你要真正长期使用一个因子，第二个问题其实更重要。

因为只有理解收益从哪里来，才能判断：

这个因子为什么可能继续有效？

在什么环境下会失效？

哪些股票上更有效？

哪些时候应该降低暴露？

如果宽客智算自己来验证，应该怎么做？

这篇论文最值得做的并不是直接重复作者复杂的有限混合模型。

我们完全可以先做一个更直观的实验。

第一步，构造最基础的 Asset Growth。

例如：

Asset Growth
=
本期总资产 / 上期总资产 - 1

然后按照资产增长率，把股票分成低、中、高几组。

先验证最基本的现象：

高资产增长股票未来收益是否确实低于低资产增长股票？

接下来不要停。

再加第二个维度：

估值。

比如用：

• P/B；
• P/E；
• EV/EBITDA；
• 或更完整的 mispricing proxy。

这样可以比较：

高资产增长 + 高估值

高资产增长 + 低估值

低资产增长 + 高估值

低资产增长 + 低估值

看看资产增长效应是不是在不同估值状态里完全不一样。

第三步，再加入“套利难度”。

比如：

• 特质波动率；
• 机构持股；
• 分析师覆盖；
• 流动性。

最后形成一个三维结构：

Asset Growth × Valuation × Arbitrage Difficulty

这可能比单纯做一个 Asset Growth 五分组更有意思。

因为真正的问题已经从：

“资产增长因子赚钱吗？”

变成：

“资产增长因子到底在哪些股票上赚钱？”

这是两个完全不同层次的问题。

对因子投资来说，这篇论文最有价值的地方不只是 Asset Growth

如果把这篇论文只理解为：

有一篇新论文支持资产增长异象来自错价。

其实低估了它。

它真正值得注意的是一种研究思路。

我们平时看到：

Momentum
Value
Quality
Investment
Profitability
Low Volatility

这些因子时，很容易把每个因子理解成一条固定规律。

比如：

便宜股票收益更高。

动量股票继续上涨。

高质量公司长期跑赢。

但市场可能不是这样工作的。

真实情况更可能是：

同一个因子，在不同市场状态、不同估值水平、不同投资者结构里，代表的是完全不同的东西。

也就是说：

很多所谓“因子”，可能只是市场中几个不同机制被压缩后的一个统计标签。

这也是为什么近年来越来越多量化研究开始关注：

• nonlinear factors；
• regime dependent factors；
• latent states；
• interaction effects；
• conditional factor models。

目的都是一样的：

不要只问一个变量平均而言有没有预测能力。

还要问：

它在什么情况下有预测能力？

最后说一句

“高资产增长公司未来收益更低”这个现象，并没有因为这篇论文就消失。

改变的是我们对它的理解。

以前最简单的解释是：

企业投资越激进，预期收益越低，这是风险和资本成本决定的。

这篇研究提供了另一个可能：

市场里其实存在不同类型的公司。它们的资产增长与未来收益关系完全不同，只是混在一起之后，才形成了我们熟悉的负向 Asset Growth 因子。

如果这个解释成立，那么量化研究里有一个问题值得反复提醒自己：

看到一条漂亮的因子曲线时，不要只问它是否显著。

还要再问一句：

这条平均规律下面，究竟藏着几种完全不同的公司？