この主張のバリエーションは、テストの組み合わせがサンプル間隔で見つかった予測に基づいているということです。
収益率の特性が選択されます。予測可能性は資産の断面全体にない場合がありますが、
に対して統計的に有意な棄却をもたらしますが、いくつかの組み合わせが特徴のグループ化に合格すると、
ビルドすると、上記の拒否が表示される場合があります。このプロセスは Lo と によって呼び出されました。
「データスヌーピング」。家族辦公室 利回りの予測可能性が投資家の行動の真の結果であるとしても、これを公開する
この結果は、投資家が行動を変えて、これを減らしたり、排除したりすることにもつながる可能性があります。
象。この場合、モデルからの逸脱が投資家の注意を引くと、は依然として正しいです。
市場の長期的な動きをよく表しています。機関投資家や異常な取引に合わせた異常除去
の証拠と一致する
また、「スマートベータ」ファンドの人気が高まるにつれて、未熟な投資家が
低コストで例外を発見 小規模企業の 月の超過リターンである月規模効果は異常を示します。
消去法の良い例。図は、月とその他すべての月の小型株の残高を示しています。
毎年の変化を平滑化するための 5 年間の平均を使用した、各市場の超過収益率。図 中小市場向け
バリュー株も同じ調査を行いました。以前の分類では、時価総額の の中間の銘柄が含まれていました。
上記のカテゴリには、下位 30% の株式が含まれています の サイトからのデータ)。写真
および
月以降の規模効果に関する による学術論文。真ん中
小型株の季節異常の消失と、小型株とマイクロ株の急激な下落は、グラフで非常に重要です。
明らか。つのサンプル間隔でリターンを比較することによる予測力
程度：最初の学術研究に使用された間隔、研究結果の発表後の間隔、研究サンプル
発表日と研究結果の発表日との間の間隔は、データマイニングと異常の消失を評価しました
効果の重要性は、体系的に多くのビジョンにまたがっています。このシステムの方法は重要です。
月のスケール効果などの異常の強さは、特別な要因の影響を受ける可能性があります
によって議論されたキャピタルゲイン税率と名目金利の引き下げなどの影響。
は、研究サンプルを公開した後では、リターンの予測力が一般に公開されているよりも有意に高いことを発見しました。
研究結果の発表日より前の間隔で統計的に有意なの減少、および
その後、の統計的有意性で減少しました。また、発表後、学術機関は、
の株式は、より高い取引高とボラティリティを持ち、他の学術的に好まれる株式に匹敵します
リンケージが高くなります。これらの結果により、と はデータ マイニングを強調するようになりました。