效率-回报范式陷阱的解耦与弱式市场效率再评估：基于SMARS协议的技术交易规则预测能力诊断

《Economies》：The Efficiency-Return Paradigm Trap: Decoupling Predictability from Performance in Technical Trading Rules Across Equity Markets

　　

本研究挑战了传统的信息效率测试框架，揭示了“效率-回报范式陷阱”（The Efficiency-Return Paradigm Trap）——名义回报与内在可预测性在结构上被混为一谈。传统计量经济学程序仍然极易犯第一类错误（Type I errors），且往往无法将随机的宏观市场漂移与参数驱动的数据窥探（data snooping）扭曲区分开来。为解决这一盲区，研究人员引入了蒙特卡洛随机信号协议（Monte Carlo random-signaling protocol, SMARS）。该协议充当技术交易规则的补充性非参数诊断网格。SMARS算法利用移动平均族（moving-average family）的未优化平均集成来吸收参数挖掘扭曲，并生成5000条漂移中性化的合成路径。至关重要的是，这些路径不扰动底层序列数据架构，从而显著减轻了方向性与分布性回报扭曲。将该框架应用于纽约、东京及Euronext-雅典证券交易所（Euronext-Athens Stock Exchange）的历史收盘价后，计量经济学推断被扩展为一个严格的三结果谱系（Three-Outcome Spectrum），明确识别出显著优于市场基线、与市场基线无差异以及显著劣于市场基线的状态。实证结果表明，名义超额表现可能纯粹作为宏观趋势动量的伪影而扩张；反之，真实预测能力可与名义净亏损共存。因此，SMARS协议为评估弱式市场效率（Weak-Form Market Efficiency）提供了稳健、偏差校正的基线。

有效市场假说（EMH）是现代金融学的核心基石，Fama将市场效率定义为证券价格在任何时点“充分反映”所有可得信息。弱式市场效率（Weak-Form Market Efficiency, WFME）要求过去价格信息不能产生系统性预测力。传统实证检验可分为统计计量类与交易规则类，后者通过比较技术交易规则回报与买入持有回报，回避了资产定价模型与市场效率的联合假设问题。然而，这类检验长期受数据窥探（data snooping）困扰：规则的优异表现可能仅源于特定样本，而非真实预测能力。White提出的现实检验（Reality Check, RC）与Hansen提出的优越预测能力（Superior Predictive Ability, SPA）检验虽对多重比较进行校正，却依然隐含一个前提：名义交易回报与内在时间序列可预测性是统一且对称的。研究人员将这一隐含前提的失效称为“效率-回报范式陷阱”（The Efficiency-Return Paradigm Trap），即名义超额收益可能完全来自宏观市场漂移，而真实预测能力却可能在名义净亏损中共存。为了填补这一方法学盲区，研究人员提出了蒙特卡洛随机信号协议（SMARS），作为技术交易规则的非参数诊断网格。

研究人员选取简单移动平均（SMA）规则作为最简的代理工具，利用移动平均族的未优化平均集成吸收参数挖掘扭曲，并生成5000条漂移中性化合成路径。实证数据来自纽约证交所SP500指数、东京证交所NIKKEI 225指数和Euronext-雅典证交所ASE综合指数（GI）的日收盘价，样本时期分别为2002–2008、2007–2015，以及2014–2023和2003–2009。这些时期被构造为侧向、上升与下降三种对称区间，用以隔离宏观趋势成分。研究得到三个核心结论：第一，名义超额表现可能只是宏观趋势动量的伪影；第二，真实预测能力可与名义净亏损共存；第三，基于SMARS的三结果谱系（显著优于、无差异、显著劣于市场基线）能够对弱式市场效率进行偏差校正的判定。

关键技术方法概括：研究以NYSE SP500、东京NIKKEI 225及Euronext-雅典ASE GI的日收盘价为基础，时段覆盖2002–2008、2007–2015、2014–2023与2003–2009。方法上，SMA短期长度固定为1，长期长度从5到100逐步变化，计算所有组合的连续累计回报，取未优化平均作为规则期望表现；再从原始序列中随机抽取与规则信号数量相同的日期，分配买卖信号，通过5000次蒙特卡洛模拟构建SMARS随机交易回报分布。所有回报序列先经ADF、ERS与Phillips-Perron单位根检验确认平稳性，再用增广样本均值定理（Augmented Sample Mean Theorem, ASMT）估计自相关序列均值的方差及95%置信区间；SMARS随机序列近似白噪声，故直接使用标准样本均值定理。最终将SMA期望回报与SMARS预测区间及买入持有回报进行图形和正式统计比较。

4.1 模拟框架校准、单位根与正态性检验
通过观察累计SMARS均值随迭代次数变化，研究人员发现其在4000次后稳定，因此将模拟次数设定为5000。Jarque-Bera检验显示多数市场序列拒绝正态分布假设，但中心极限定理（Central Limit Theorem, CLT）保证蒙特卡洛t统计量等价量（t_MC）渐进正态；单位根检验在至少90%置信水平上拒绝非平稳原假设，支撑后续推断。

4.2 跨国际市场状态的综合诊断推断
通过图形包络比较（图4至图12）发现，在侧向市场（ASE GI 2014–2023与2003–2009、NIKKEI 2007–2015）中，SMA期望回报超过SMARS 95%预测区间上界，买入持有回报落入随机噪声核心；SP500侧向区间（2002–2008）则无预测力。在下行市场（ASE 2014–2020与2007–2009、SP500 2007–2008）中，随机交易本身也优于买入持有，但SMA仍超过随机上界，说明存在真实预测能力。在上行市场（ASE 2020–2023与2003–2007、NIKKEI 2012–2015）中，SMA名义回报低于买入持有，却超过SMARS均值基线，暴露了效率-回报陷阱；SP500上行区间SMA低于随机核心，信号能力完全失效。

4.3 交易成本与结果稳健性
研究人员计算了SMA仍能超过买入持有的最大每笔交易成本阈值：ASE在2003–2009年为0.58%，2014–2023年仅为0.098%，NIKKEI为0.08%，SP500即使在零成本下也无法超越。这些阈值的系统性压缩反映了市场效率的演化；由于真实规则与随机路径保持相同信号密度，交易成本对称累积，因此不影响预测能力评估。

4.4 解构信息效率：效率-回报范式陷阱
传统方法会按交易成本阈值的压缩程度将NYSE判为最有效、早期ASE判为最低效，但SMARS诊断显示这一层级并不成立。名义超额收益与内在可预测性是两个独立的随机成分。统计显著的可预测性直接构成对WFME的拒绝；交易成本仅决定统计优势能否转化为净经济利润，而不能否定预测力的存在。

4.5 正式假设检验、非参数推断与三结果框架
经验p值与t_MC统计量确认了图形结果：ASE早期过渡期t_MC=+3.1102、东京证交所上行期t_MC=+2.4312，显著优于随机基线；ASE当代期t_MC=+0.0385与NYSE上行期t_MC=+0.1912落入随机噪声核心；NYSE下行期t_MC=?1.8214显著劣于随机。传统二元检验会将NYSE上行的+0.0215名义超额误判为市场低效，将NYSE下行的?0.0145名义亏损误判为规则失效；SMARS则证明前者只是运气、后者是宏观漂移侵蚀执行收益的结构性轨迹。

5.1 范式转变
研究确立需离开二元约束的必要性。名义绩效高度受宏观漂移调节，SMARS提供了分布自由的偏差校正过滤器，能够从随机规模扩张中分离真实定价记忆异常。

5.2 比较方法学优势
SMARS相对White现实检验具有三重升级：引入三结果框架并赋予“显著劣于市场”以经济含义；完全保留序列时间结构，避免重采样破坏技术指标的内在信号架构；参数稳健性高，ASE早期t_MC=+3.1102甚至超过Harvey等提出的±3.00保守筛选边界。

5.3 实践意义
名义交易盈利性不能再作为系统有效性的首要审计指标。资产管理者应使用漂移中性化网格检验算法真实预测能力，以规避由虚假表现驱动的资本错配和回撤风险。

5.4 边界局限与未来研究
当前框架限于移动平均族和离散历史子区间；未来可扩展至非线性技术指标、高频交易系统和机器学习/深度强化学习网络，并采用滚动窗口与自主结构转折点以提升增广样本均值定理（ASMT）的渐近功效。

研究结论：SMARS协议在保持原始价格序列完整性的前提下，将随机信号机制与执行网格分离，建立了漂移中性化的随机基线。该框架成功解耦名义回报与内在可预测性，为弱式市场效率评估提供了稳健、偏差校正的统计基础设施，并揭示了“效率-回报范式陷阱”的普遍存在性。