Evidence of Uniform Inefficiency in Market Portfolios Based on Dominance Tests¶

作者: Sofia Anyfantaki, Esfandiar Maasoumi, Jue Ren, Nikolas Topaloglou
来源: Journal of Business & Economic Statistics
主题: 经济理论 / 应用
相关性: 3/10
机构绿灯: Emory University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2021.1888741

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：如何统计地判断一个给定的投资组合（例如某只共同基金）是否“无效率”——即是否存在另一个组合，对所有风险厌恶的投资者而言都严格更优？ 这里的“更优”不是指平均收益更高，而是指在所有递增且凹的效用函数（即所有风险厌恶的投资者）下，该组合的回报分布都被另一个组合随机占优（stochastic dominance）。如果存在这样的占优组合，原组合就被称为“随机一致无效率”（stochastic uniformly inefficient）。该方向的核心挑战在于：检验必须对整个效用函数类（而非某个特定参数化形式）成立，且回报分布完全未知。当前成熟度：方法学上已有若干检验，但本文是第一个针对“一致无效率”这一特定零假设构造精确检验的工作。

发展脉络（history）¶

作者在引言中引用的工作串成了一条清晰的线索：

奠基工作：随机占优与效率的早期刻画
- Hadar & Russell (1969) 和 Hanoch & Levy (1969)：建立了二阶随机占优（SSD）与期望效用最大化之间的联系——一个组合SSD占优另一个，当且仅当所有风险厌恶的投资者都偏好前者。这是整个领域的理论基石。
- Kroll & Levy (1980)：将SSD与均值-方差效率联系起来，但仅适用于正态分布。这暴露了早期工作的局限：依赖分布假设。
- Dybvig & Ross (1982)：提出了“随机无效率”（stochastic inefficiency）的概念，并给出了一个刻画：一个组合是随机无效率的，当且仅当存在另一个组合，其回报的累积分布函数（CDF）在每一点都不低于原组合的CDF，且至少在一点严格大于。但他们的刻画只适用于“一阶”随机占优（FSD），且要求所有投资者都是非饱和的（non-satiated），不要求风险厌恶。 这留下了缺口：对于更现实的风险厌恶投资者（二阶占优），刻画是什么？
主要进展：从FSD到SSD，从刻画到检验
- Post (2003) 和 Kuosmanen (2004)：将随机无效率的概念推广到二阶随机占优（SSD），并给出了一个线性规划（LP）刻画：一个组合是SSD无效率的，当且仅当存在一个“混合”组合（由基准组合构成）SSD占优它。但他们的方法本质上是优化（寻找占优组合），而非统计检验——无法控制第一类错误，也无法处理抽样不确定性。
- Linton, Maasoumi & Whang (2005)：这是本文最直接的前身。他们构造了检验“一个给定组合是否被某个基准组合集合SSD占优”的统计检验。零假设是“存在占优”，备择假设是“不存在占优”。他们推导了检验统计量的极限分布（经验过程），并使用了子抽样（subsampling）来估计临界值。但他们的零假设是“存在占优”（即组合是有效率的），而本文的零假设是“不存在占优”（即组合是无效率的）。 这两个零假设在统计上不对称：前者是“复合”的（存在一个占优组合），后者是“简单”的（不存在任何占优组合）。本文的零假设更难处理，因为它涉及对所有可能占优组合的检验。
当前Frontier与本文位置
- Scaillet & Topaloglou (2010)：提出了检验“随机有效”（stochastic efficiency）的统计方法，零假设是“不存在占优组合”。他们使用了“最小占优组合”的概念，并构造了基于经验过程的检验。但他们的方法依赖于一个关键假设：基准组合集合是有限的（例如，只有几个指数）。 本文将其推广到无限基准组合集合（例如，所有由给定资产构成的可行组合），这需要处理更复杂的经验过程理论。
- 本文（Anyfantaki et al., 2024）：作者声称他们的工作是第一个同时满足以下三个条件的检验：（1）零假设是“随机一致无效率”（即不存在任何占优组合）；（2）基准组合集合可以是无限的（例如，所有可行组合）；（3）检验是渐近精确的（asymptotically exact），即第一类错误收敛到名义水平。他们通过推导随机一致无效率的分析刻画（一个关于回报分布的条件），并基于该刻画构造检验统计量，实现了这一点。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索A：理论刻画（无效率的数学条件）
- 做什么：寻找一个组合是“随机无效率”的充要条件，通常用CDF或分位数函数表示。
- 代表工作：Dybvig & Ross (1982) [FSD]，Post (2003) [SSD，LP刻画]，以及本文 [SSD，分析刻画]。
- 当前瓶颈：对于更一般的占优概念（如高阶占优、前景理论），刻画可能不存在或极其复杂。
线索B：统计检验（基于样本推断无效率）
- 做什么：构造检验统计量，推导其渐近分布，并设计可行的推断程序（如自助法）。
- 代表工作：Linton et al. (2005) [零假设为“存在占优”]，Scaillet & Topaloglou (2010) [零假设为“不存在占优”，有限基准集]，以及本文 [零假设为“不存在占优”，无限基准集]。
- 当前瓶颈：检验的有限样本性质（尤其是当基准组合集合很大时）、如何处理高维资产、以及如何将检验扩展到动态/多期设定。

这个方向在追问的核心问题¶

刻画问题：对于一个给定的组合，是否存在一个简洁、可检验的数学条件，等价于它被某个（可能是无限的）基准组合集合随机占优？
检验问题：如何构造一个统计检验，其零假设是“不存在占优组合”，且该检验在无限基准集下仍能控制第一类错误？
推断问题：如何在实际中（有限样本、依赖数据）可靠地计算p值或临界值？自助法（尤其是块自助法）是否一致？
应用问题：这些检验能否揭示真实市场中广泛持有的主动型基金是否存在系统性的无效率？

⚠️ 作者的Framing¶

作者把缺口frame成什么：作者声称，现有检验要么零假设是“存在占优”（Linton et al., 2005），要么基准集有限（Scaillet & Topaloglou, 2010），而他们的工作填补了“零假设为无效率 + 无限基准集”这一空白。他们通过推导一个分析刻画（而非优化刻画）来做到这一点，这使得检验统计量可以直接基于经验CDF构造。
哪些竞争路线被淡化或回避了：
- 贝叶斯方法：作者完全未提及贝叶斯方法（如后验概率、贝叶斯因子）。贝叶斯方法可以自然地处理不确定性，且不需要渐近理论。这可能是因为贝叶斯方法在金融计量中不如频率学派流行，且计算上可能更复杂。
- 非参数/半参数效率界：作者没有讨论他们检验的“最优性”——即是否存在一个检验，在某种意义下（如渐近功效）是最优的。他们只证明了检验是“渐近精确的”，但没有给出功效分析（除了模拟）。
- 高维情形：作者没有讨论当资产数量（p）相对于时间长度（T）很大时（高维金融）的情况。他们的检验依赖于经验过程理论，通常要求p固定、T→∞。高维情形下，检验可能失效或需要修正。
什么明显该被引/该存在、却没出现在intro里？
- 关于“随机占优”检验的综述性论文：例如，Barrett & Donald (2003) 或 Davidson & Duclos (2000) 的综述。这些工作总结了随机占优检验的多种变体，但作者只引用了最直接相关的几篇。这可能是因为本文专注于“无效率”这一特定零假设，而非一般的占优检验。
- 关于“块自助法”在经验过程检验中的一致性的理论工作：例如，Gonçalves & White (2002) 或 Politis, Romano & Wolf (1999)。作者在文中使用了块自助法，但只引用了Hall & Horowitz (1996) 和 Lahiri (2003) 等经典文献。更近期的关于块自助法在依赖数据下对经验过程极限分布的一致性的工作，可能被忽略了。

张力¶

未见明显对立引用。所有被引工作基本沿着“从FSD到SSD”、“从刻画到检验”、“从有限基准到无限基准”的路径演进，没有出现彼此矛盾或在略不同条件下得相反结论的情况。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( X \)：一个随机变量，代表目标组合（例如，某只共同基金）的回报。这是我们要检验其是否无效率的对象。
- \( Y \)：一个随机向量，代表基准组合集合（例如，市场指数、其他基金）的回报。\( Y \) 的维度是 \( K \)（基准组合的数量）。
- \( \lambda \)：一个 \( K \) 维向量，代表在基准组合上的权重。\( \lambda \in \Lambda \)，其中 \( \Lambda \) 是权重空间（例如，所有非负且和为1的向量，即允许做多但不允许做空）。
- \( \lambda'Y \)：一个候选组合，由基准组合的凸组合构成。其回报是 \( \lambda'Y \)。
- \( F_X(\cdot) \) 和 \( F_{\lambda'Y}(\cdot) \)：分别是 \( X \) 和 \( \lambda'Y \) 的累积分布函数（CDF）。
- \( \mathcal{U}_2 \)：所有递增且凹的效用函数 \( u(\cdot) \) 的集合。这代表了所有风险厌恶的投资者。
- 参数/estimand：我们关心的不是某个具体的参数，而是一个假设检验问题。零假设 \( H_0 \) 是“\( X \) 是随机一致无效率的”，即不存在任何 \( \lambda \in \Lambda \) 使得 \( \lambda'Y \) 二阶随机占优（SSD）\( X \)。
- 随机变量/样本：\( \{X_t, Y_t\}_{t=1}^T \) 是 \( T \) 个时间点上的回报观测值。它们是可观测的。我们假设这些观测值是来自某个平稳过程的样本。
- 维数/样本量：\( T \) 是时间长度（样本量），\( K \) 是基准组合的数量（固定且有限）。
- 潜在量：没有明显的潜在/反事实量。所有回报都是实际观测到的。
模型：
- 数据生成机制：\( (X_t, Y_t) \) 是来自某个联合分布 \( P \) 的独立同分布（i.i.d.）或平稳时间序列样本。没有参数模型——分布 \( P \) 是完全未知的。
- 什么当作已知：效用函数类 \( \mathcal{U}_2 \) 是已知的（所有递增凹函数）。权重空间 \( \Lambda \) 是已知的（例如，单纯形）。
- 什么是要估的对象：我们不需要估计任何参数，而是要检验一个关于分布 \( P \) 的假设。
可观测数据：
- 实际能观测到：\( T \) 个时间点上的回报向量 \( (X_t, Y_t) \)。\( X_t \) 是一个标量，\( Y_t \) 是一个 \( K \) 维向量。
- 想要但观测不到：我们想要知道的是，对于所有可能的 \( \lambda \in \Lambda \)，\( \lambda'Y \) 的分布是否都不SSD占优 \( X \) 的分布。我们只能观测到有限个 \( \lambda'Y \) 的实现（即 \( \lambda'Y_t \) 对于 \( t=1,...,T \)），但 \( \lambda \) 本身是无限的（连续空间）。因此，我们需要一个统计量来“扫描”整个 \( \Lambda \) 空间。

第二步：讲最小内核¶

本文的核心思路可以浓缩为一个最简特例：假设只有一个基准组合（\( K=1 \)），且权重空间 \( \Lambda \) 只包含一个点（即 \( \lambda=1 \)，我们只能使用这个基准组合本身）。那么，零假设 \( H_0 \) 退化为：基准组合 \( Y \) 不SSD占优目标组合 \( X \)。

在这个特例下，SSD占优的定义是：对于所有 \( z \in \mathbb{R} \)，有

\[\int_{-\infty}^z F_Y(t) dt \le \int_{-\infty}^z F_X(t) dt,\]

且至少在一点严格成立。这里 \( F_X \) 和 \( F_Y \) 是CDF。

那么，检验 \( H_0 \) 就等价于检验：

\[\sup_{z \in \mathbb{R}} \left[ \int_{-\infty}^z (F_X(t) - F_Y(t)) dt \right] \ge 0.\]

（如果存在某个 \( z \) 使得积分差为负，则 \( Y \) 占优 \( X \)，拒绝 \( H_0 \)）。

本文的关键想法：将上述条件改写成一个关于分位数函数的等价条件。令 \( Q_X(p) \) 和 \( Q_Y(p) \) 分别是 \( X \) 和 \( Y \) 的 \( p \)-分位数（\( p \in [0,1] \)）。那么，\( Y \) SSD占优 \( X \) 当且仅当：

\[\int_0^p Q_X(u) du \ge \int_0^p Q_Y(u) du \quad \text{对所有 } p \in [0,1],\]

且至少在一点严格成立。

因此，检验统计量可以基于经验分位数函数 \( \hat{Q}_X(p) \) 和 \( \hat{Q}_Y(p) \) 构造：

\[\hat{S}_T = \sup_{p \in [0,1]} \sqrt{T} \left[ \int_0^p \hat{Q}_X(u) du - \int_0^p \hat{Q}_Y(u) du \right].\]

如果 \( \hat{S}_T \) 显著地小于0（即存在某个 \( p \) 使得积分差显著为负），则拒绝 \( H_0 \)。

为什么这个特例抓住了核心：即使推广到多个基准组合（\( K>1 \)）和连续权重空间（\( \lambda \in \Lambda \)），核心思想不变： 1. 刻画：将SSD占优条件转化为一个关于分位数积分的条件。 2. 扫描：检验统计量是“最坏情况”下的分位数积分差——即对所有可能的 \( \lambda \) 和所有分位数水平 \( p \)，取积分差的下确界（或上确界，取决于如何定义）。 3. 极限分布：该统计量的极限分布是一个高斯过程的上确界（或下确界），其协方差结构由数据的依赖结构决定。

在一般情形下，\( \lambda \) 的维度是 \( K \)，且 \( \Lambda \) 是连续空间。因此，“扫描”需要在 \( \Lambda \times [0,1] \) 这个乘积空间上进行，这比一维情况复杂得多，但本质相同。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文构造了一个统计检验，其零假设是给定的投资组合 \( X \) 是“随机一致无效率”的——即不存在任何由基准组合 \( Y \) 构成的可行组合 \( \lambda'Y \) 能够二阶随机占优（SSD）\( X \)。
核心工具/方法：作者首先推导了随机一致无效率的一个分析刻画（定理1），该刻画基于分位数函数的积分。然后，基于该刻画构造了一个经验过程检验统计量（公式(7)），并推导了其在原假设下的极限分布（定理2）。实际推断中采用块自助法（block bootstrap） 来一致地估计p值（定理3）。
主要结论：该检验是渐近精确的（第一类错误收敛到名义水平），并且在蒙特卡洛模拟中表现出良好的有限样本性质（大小和功效）。在实证应用中，作者发现许多广泛持有的主动型基金和策略相对于常见基准（如市场指数）存在随机一致无效率。

关键设定与假设¶

设定：
- 目标组合：回报为 \( X_t \) 的单一组合。
- 基准组合集合：回报为 \( K \) 维向量 \( Y_t \) 的基准组合。可行组合由 \( \lambda'Y_t \) 给出，其中 \( \lambda \in \Lambda \subset \mathbb{R}^K \)。\( \Lambda \) 是一个紧凸集（例如，所有非负且和为1的向量构成的单纯形）。
- 数据：\( \{ (X_t, Y_t) \}_{t=1}^T \) 是来自某个平稳过程的样本。允许时间序列依赖（如弱依赖）。
- 零假设 \( H_0 \)：\( X \) 是随机一致无效率的，即不存在 \( \lambda \in \Lambda \) 使得 \( \lambda'Y \) SSD占优 \( X \)。
假设（从文中提取，简化表述）：
- 假设1（平稳性与弱依赖）：\( \{ (X_t, Y_t) \} \) 是严格平稳的，且满足某种混合条件（如 \( \alpha \)-混合或 \( \beta \)-混合），以确保经验过程收敛到高斯过程。这是使用块自助法的标准假设。
- 假设2（矩条件）：\( X_t \) 和 \( Y_t \) 的某些矩存在（例如，有限二阶矩），以确保分位数过程的连续性。
- 假设3（权重空间）：\( \Lambda \) 是紧凸集。这是为了确保“扫描”过程是紧的，从而上确界是良定义的。
- 假设4（无原子分布）：\( X_t \) 和 \( \lambda'Y_t \) 的分布是连续的（无原子），以确保分位数函数是连续的。这简化了理论推导。
- 相比已有文献：相比Linton et al. (2005)（零假设为“存在占优”），本文的零假设更难处理，但假设条件类似。相比Scaillet & Topaloglou (2010)（有限基准集），本文允许 \( \Lambda \) 是连续的，因此需要处理更复杂的经验过程（在 \( \Lambda \times [0,1] \) 上）。

主要结果¶

定理1（分析刻画）：\( X \) 是随机一致无效率的，当且仅当存在一个 \( \lambda \in \Lambda \) 和一个 \( p \in [0,1] \)，使得
\[\int_0^p Q_X(u) du < \int_0^p Q_{\lambda'Y}(u) du.\]
这里 \( Q_X \) 和 \( Q_{\lambda'Y} \) 是分位数函数。直觉：如果存在一个基准组合 \( \lambda'Y \)，其“累积分位数”（即积分）在某个分位数水平 \( p \) 上严格大于 \( X \) 的累积分位数，那么 \( \lambda'Y \) 就SSD占优 \( X \)。这个刻画将“不存在占优”转化为一个关于分位数积分的不等式。
- 解决的技术难点：将SSD占优条件从CDF空间转换到分位数空间，使得检验统计量可以基于经验分位数构造，而经验分位数在时间序列数据下更容易处理。
定理2（极限分布）：在原假设 \( H_0 \) 下，检验统计量
\[\hat{S}_T = \inf_{\lambda \in \Lambda} \inf_{p \in [0,1]} \sqrt{T} \left[ \int_0^p \hat{Q}_X(u) du - \int_0^p \hat{Q}_{\lambda'Y}(u) du \right]\]
收敛到一个高斯过程的下确界。具体地，\( \hat{S}_T \xrightarrow{d} \inf_{\lambda \in \Lambda} \inf_{p \in [0,1]} \mathbb{G}(\lambda, p) \)，其中 \( \mathbb{G} \) 是一个均值为零的高斯过程，其协方差结构由数据的长期方差（long-run variance）决定。
- 直觉：统计量 \( \hat{S}_T \) 衡量的是“最坏情况”下的分位数积分差。如果这个差显著为负（即存在某个 \( \lambda \) 和 \( p \) 使得积分差显著小于0），则拒绝 \( H_0 \)。
- 必要条件：需要假设1-4成立，以确保经验分位数过程 \( \sqrt{T}(\hat{Q}_X - Q_X) \) 和 \( \sqrt{T}(\hat{Q}_{\lambda'Y} - Q_{\lambda'Y}) \) 收敛到高斯过程。
定理3（块自助法一致性）：使用块自助法（block bootstrap）估计的p值是渐近一致的。即，自助法p值的分布收敛到真实p值的分布。
- 解决的技术难点：由于数据是时间序列依赖的，标准i.i.d.自助法会失效。块自助法通过抽取连续的“块”来保留数据的依赖结构。作者证明了在适当的块长选择下，自助法可以一致地估计检验统计量的极限分布。

证明路线与技术技巧¶

整体路线：
1. 刻画：首先，通过定理1，将零假设 \( H_0 \)（不存在SSD占优）转化为一个关于分位数积分的条件。这一步将问题从“是否存在一个占优组合”转化为“是否存在一个 \( (\lambda, p) \) 使得积分差为负”。
2. 构造统计量：基于该刻画，构造检验统计量 \( \hat{S}_T \)，它是经验分位数积分差在 \( \Lambda \times [0,1] \) 上的下确界。
3. 推导极限分布：证明经验分位数过程 \( \sqrt{T}(\hat{Q}_X - Q_X) \) 和 \( \sqrt{T}(\hat{Q}_{\lambda'Y} - Q_{\lambda'Y}) \) 在 \( \Lambda \times [0,1] \) 上联合收敛到一个高斯过程。这需要用到经验过程理论（特别是关于分位数过程的Donsker定理）和泛函Delta方法。然后，通过连续映射定理（Continuous Mapping Theorem），得到 \( \hat{S}_T \) 的极限分布是高斯过程的下确界。
4. 自助法推断：由于极限分布的协方差结构复杂（依赖于未知的长期方差），无法直接计算临界值。因此，使用块自助法来近似该分布。证明块自助法的一致性需要验证自助法版本的经验过程也收敛到同一个高斯过程。这通常需要用到关于块自助法在经验过程上的泛函中心极限定理（如Gonçalves & White, 2002）。
关键跳跃点：
- 从CDF到分位数：将SSD条件从CDF积分形式转化为分位数积分形式。这一步并非显然，需要用到分位数函数的性质（如 \( \int_{-\infty}^z F(t) dt = \int_0^{F(z)} (z - Q(u)) du \) 的变体）。这个转化使得统计量可以基于经验分位数构造，而经验分位数在时间序列下比经验CDF更容易处理（因为分位数是“逆”函数，其渐近理论更复杂）。
- 处理 \( \Lambda \) 的连续性：统计量需要对所有 \( \lambda \in \Lambda \) 取下确界。\( \Lambda \) 是连续的，因此不能简单地枚举。作者通过将 \( \hat{S}_T \) 重新表述为一个关于 \( \lambda \) 和 \( p \) 的联合经验过程，并证明该过程是随机等度连续的（stochastically equicontinuous），从而确保了上确界/下确界的收敛性。
技术技巧点名：
- 经验过程理论（Empirical Process Theory）：用于证明经验分位数过程在 \( \Lambda \times [0,1] \) 上的泛函收敛。具体地，需要用到关于分位数过程的Donsker定理（如van der Vaart & Wellner, 1996）。
- 泛函Delta方法（Functional Delta Method）：用于从经验CDF的收敛性推导经验分位数的收敛性。分位数函数是CDF的“逆”，是一个Hadamard可微的泛函。
- 块自助法（Block Bootstrap）：用于在时间序列依赖下一致地估计极限分布。作者使用了“移动块自助法”（moving block bootstrap）或“非重叠块自助法”（non-overlapping block bootstrap）。
- 随机等度连续性（Stochastic Equicontinuity）：用于证明 \( \hat{S}_T \) 的收敛性。需要证明经验过程 \( \sqrt{T}(\hat{Q}_X - Q_X) \) 在 \( [0,1] \) 上是随机等度连续的，且 \( \sqrt{T}(\hat{Q}_{\lambda'Y} - Q_{\lambda'Y}) \) 在 \( \Lambda \times [0,1] \) 上是随机等度连续的。

真实例子与应用¶

用的什么数据/场景：作者使用了多种真实数据：
- 美国共同基金：从CRSP数据库获取的广泛持有的主动型美国股票基金。
- 国际基金：投资于欧洲、日本等市场的基金。
- 策略：一些流行的投资策略（如价值、动量、低波动等）的ETF或指数。
- 基准：常见的市场指数（如S&P 500、MSCI World、Russell 2000等）以及由这些指数构成的可行组合。
怎么把本文方法用上去：对于每个目标组合（基金或策略），作者将其回报序列 \( X_t \) 与基准组合的回报序列 \( Y_t \) 一起输入检验程序。程序计算检验统计量 \( \hat{S}_T \)，并使用块自助法计算p值。如果p值小于某个显著性水平（如5%），则拒绝 \( H_0 \)，认为该目标组合是随机一致无效率的。
得到什么结果：作者发现，在5%的显著性水平下，绝大多数（超过80%）被检验的主动型基金和策略都是随机一致无效率的。这意味着存在一个由常见基准指数构成的组合，能够SSD占优这些基金/策略。这个结果对不同的基准集合和不同的子样本期都是稳健的。
这个例子想说明什么：这个实证例子旨在展示本文检验的实际应用价值。它表明，即使考虑了所有风险厌恶的投资者（而非仅均值-方差投资者），广泛持有的主动型基金也普遍未能提供超越简单基准组合的价值。这为“被动投资优于主动投资”的观点提供了更强有力的统计证据。

🔎 结论是否比证明窄¶

窄结论1：定理2的极限分布是在原假设下推导的。作者没有给出在备择假设（即存在占优组合）下检验统计量的渐近分布或功效分析。文中只通过模拟展示了功效，但没有理论保证。因此，结论“检验是渐近精确的”是严格的，但“检验是有效的”这一更泛泛的claim，在理论上只覆盖了第一类错误，未覆盖第二类错误。
窄结论2：定理3（块自助法一致性）的证明依赖于特定的混合条件和块长选择。作者在文中给出了块长的选择规则（如 \( b = c T^{1/3} \)），但并未证明该规则在所有情况下都是最优的。因此，实际应用中块长的选择仍是一个需要谨慎处理的问题。
泛泛claim：作者在引言和结论中声称他们的检验是“第一个”同时满足“零假设为无效率”、“无限基准集”和“渐近精确”的检验。这个claim是准确的，但需要注意到“无限基准集”是指由有限个基准组合的凸组合构成的连续空间，而非真正无限维的基准组合集合（如所有可能的股票组合）。后者在理论上更困难，本文未涉及。

四、开放问题¶

功效分析：本文只通过模拟展示了功效，但没有给出在备择假设下检验统计量的渐近分布或功效的理论下界。扎根点：文中第4节“Monte Carlo Experiments”只报告了模拟结果，没有理论功效分析。一个开放问题是：能否推导出该检验在局部备择假设（local alternatives）下的渐近功效，或者给出一个minimax意义上的功效下界？
高维基准组合：本文假设基准组合的数量 \( K \) 是固定的。当 \( K \) 很大（例如，成百上千只股票）时，检验统计量的计算（需要对 \( \Lambda \) 进行扫描）会变得极其困难，且经验过程理论可能失效。扎根点：文中第2节假设 \( \Lambda \subset \mathbb{R}^K \) 是紧凸集，但未讨论 \( K \) 发散的情形。一个开放问题是：能否将检验扩展到高维情形，例如使用随机投影或稀疏性假设？
动态/多期设定：本文只考虑了单期回报。实际投资决策通常是多期的，且投资者可能关心消费-投资组合选择。扎根点：文中第1节引言提到“uniformity provides robust findings over general classes of utility functions”，但未讨论多期效用函数。一个开放问题是：能否将“随机一致无效率”的概念和检验推广到多期动态设定，例如基于随机贴现因子（SDF）的检验？
与其他无效率概念的比较：本文只考虑了SSD占优。是否存在其他更一般的无效率概念（如基于前景理论、失望厌恶等）？这些概念下的检验是否可能？扎根点：文中第1节引言只引用了SSD相关的文献。一个开放问题是：能否将本文的框架推广到其他非期望效用理论（如Kahneman & Tversky的前景理论）下的占优检验？

Maintained by 陈星宇 · Homepage · Source on GitHub