买什么样的股票更赚钱？这是反复折磨广大股民和职业投资经理的终极问题。为了探寻这个问题的答案，古今中外的投资者们可谓使出了浑身解数。
就好像武侠小说中的不同流派，在投资界也有不同的策略风格。比较常见的有：价值、低波动、小市值、动量等。基于不同国家股市在不同历史时期的统计研究表明，长期坚持购买并持有符合一定特征的股票，能够为投资者带来更好的投资回报。在金融投资里，这样的投资方法也被称为“聪明贝塔”，意为比获得市场平均回报（贝塔）更聪明一些的投资策略。
对于“聪明贝塔”投资策略的研究，在最近几年获得了长足的进步。一个非常重要的发展，是除了上面提到的价值、低波动、小市值等投资因子之外，研究人员发现了数以百计的其他因子。举例来说，在定义一个股票属于价值还是成长股时，我们可以用多达几十种不同的标准。除了最常用的市净率，还包括负债率、市盈率、市现率、分红率、企业价值倍数等其他指标。哪怕只是市盈率，也可以用静态市盈率、动态市盈率、TTM市盈率等不同的计算方法。基于类似的逻辑，在动量、投资、流动性等因子类别下，都可以衍生出数以百计的衍生因子。把这些不同的因子再互相排列组合（Yan and Zheng, 2017），找出数以万计的，看上去好像可以战胜市场的投资策略，也不是不可能。
问题在于，这种基于“数据挖掘”得出的投资结论，不太经得起现实的考验。数据挖掘的意思，是只要有数量足够多的尝试，你总能找到一些看似有效的规律。但事实上，这些规律本来压根就不存在，只是在经过了大量的尝试以后得到的随机巧合而已。金融投资的研究领域，是数据挖掘的重灾区。
在最近的一篇研究（Hou et al, 2020）中，作者基于过往发表过的金融研究论文，检验了近500个最常见的投资因子变量，发现大部分的研究结论都无法复制。无法复制的变量比例，高达64%。换句话说，基于因子投资的64%的研究结论，都不太靠谱，值得我们质疑。在某些特定的投资因子类别，比如流动性因子类别中，竟然有高达93%的研究结论无法被复制。
该研究结论，相当于在金融投资学术领域扔了一枚*弹炸**。它揭示了一个大家心照不宣，但却多多少少都心知肚明的丑陋事实，那就是在专业期刊上发表的学术论文，包含不少“水文”，其结论似是而非，经不起更严格的标准的检验。如果轻信这些论文的结论，并拿出真金白银去股市中投资，很可能会大失所望，蒙受损失。
为什么有如此多的金融研究得出了不靠谱的结论？他们的研究结论，到底和现实在哪个地方脱节？一个很重要的原因，是微市值股票。微市值股票，通常指那些市值介于5千万美元到3亿美元之间的上市公司。由于他们的市值比较小，因此被称为微市值股票。在美国的三大证券交易所里，微市值股票约占到所有上市公司总市值的3%左右，但是其数量却占到了所有上市公司数量的60%左右。绝大部分所谓的战胜市场的超额回报，都来自于这些微市值股票。然而在现实中，微市值股票的流动性很差，交易摩擦费用很高，价格波动比较剧烈，投资者想要真正通过买卖微市值股票来获得更好的投资回报的话，其难度要比理论上显示的难得多。如果剔除这3%的微市值股票，那么很多看上去可行的投资策略，就不再灵验，也无法为投资者带来更好的投资回报。
这些统计，揭示了一个很重要的道理，那就是股票市场中的大市值股票，其有效性要远远高于小市值和微市值股票。研究（Farboodi et al, 2020）显示，美国市值最大的500家上市公司，其股价变化和未来的盈利预期高度吻合。这些公司股价的有效性，在过去几十年越来越高。因此想要通过任何一种选股方法来战胜市场，获得更好的投资回报，简直是难上加难。反倒是那些市值更小的公司，由于关注的人少，信息不对称更加严重，因此股价有效性远不如大市值股票。
简而言之，在小市值股票和微市值股票中，投资者如果拥有一定的信息或者其他优势，更容易战胜市场，获得更好的投资回报。特别是那些估值比较低、股本回报率比较高的小市值股票，更可能为投资者带来超额的投资回报。这个结论，恰恰和巴菲特倡导的价值投资理念不谋而合。当然，前提是投资者需要掌握比别人更精确的信息，或者更准确的判断，或者某一方面的优势。如果没有这些优势，那就不要幻想自己有战胜市场的可能。
很多投资者，不管是业余的散户股民，还是职业的基金经理，都不容易满足于仅获得市场平均回报。在他们眼里，平均回报太过平庸，自己至少要获得平均以上的回报。然而在现实的股市中，处处是陷阱。如果学而不精，投资者反而可能弄巧成拙，拿到的投资成绩让自己大失所望。不要过高估计自己的投资能力，不要轻易低估战胜市场的难度。时刻保持谦逊和谨慎，才是真正的大智慧。
本文首发于FT中文网。
参考资料：
Kewei Hou, Chen Xue, and Lu Zhang, Replicating Anomalies, The Review of Financial Studies, Volume 33, Issue 5, May 2020, Pages 2019–2133
Maryam Farboodi, Adrien Matray, Laura Veldkamp and Venky Venkateswaran, Where Has All the Data Gone? NBER Working Paper No. 26927, Apr 2020
Yan, Xuemin (Sterling), and Lingling Zheng, 2017, Fundamental analysis and the cross-section of stock returns: A data-mining approach, Review of Financial Studies 30, 1382–1423.