有技巧的共同基金筛选：依赖结构下的错误发现控制

通过多重检验框架筛选有技巧的共同基金已受到金融研究人员与统计学家的日益关注。Carhart 四因子模型的截距 $\alpha$ 常用于衡量共同基金的真实表现，正的 $\alpha$ 被视为有技巧。我们观察到各基金 $\alpha$ 的标准化 OLS 估计具有强依赖与非正态结构，表明常规多重检验方法不足以筛选有技巧的基金。我们从决策理论视角出发，提出一种最优检验过程以最小化错误发现率与错误非发现率的组合。我们所提检验过程基于每个基金在给定本研究所有基金信息条件下无技巧的概率构建。为建模检验过程所用信息的分布，我们考虑依赖下的混合模型，并提出一种称为“近似经验贝叶斯”的新方法来拟合参数。实证研究表明，我们选出的有技巧基金具有更优的长期与短期表现，例如，我们的筛选在同一时期内显著跑赢标普 500 指数。