← Learning base index · 05 of 8

05 — Freyberger, Neuhierl & Weber (2020)

Dissecting Characteristics Nonparametrically
Review of Financial Studies 33(5), 2326–2377 · Kei Matsumae · 2026-05-15

What this paper does

  • Answers two questions simultaneously: (i) of the many firm characteristics that predict returns in isolation, how many carry independent information once you account for all the others? (ii) Are those relationships linear?
  • Method: spline basis per characteristic + adaptive group LASSO for joint selection.
  • Sample: 36 characteristics × ~5,000 individual US stocks × 1963–2015 monthly.
  • Finding 1: ~15 of 36 characteristics survive joint selection.
  • Finding 2: Only 7 survive when restricted to stocks above the 20% NYSE size cutoff.
  • Source of the 36-characteristic panel that Kelly et al. (2019) and CRW (2023) both use.
  • For AOF: tells you which characteristics deserve basis dimensions.

1. Why this paper exists

By 2015 the academic literature had documented 300+ "anomaly" characteristics. Two problems:

  1. Joint significance. Most studied one at a time; correlated with each other (size with momentum, with B/M, with profitability). Which survive a joint test?
  2. Functional form. Almost all studies impose linearity (or coarse portfolio sorts). What if the true relationship is nonlinear?

FNW propose a single procedure handling both jointly.

2. The model

$$ r_{it+1} \;=\; \sum_{j=1}^{M} m_j(C_{ijt}) \;+\; \varepsilon_{it+1}, $$

This is a return-prediction model, not a factor model. FNW does not estimate loadings or latent factors. It's a single cross-sectional regression with characteristic-driven means. Use FNW as input to selecting relevant characteristics; use IPCA or CRW for the factor structure.

3. The estimator — adaptive group LASSO with splines

For each characteristic $j$, approximate $m_j(\cdot)$ by a B-spline with $L$ knots:

$$ m_j(c) \;\approx\; \sum_{\ell=1}^{L} \theta_{j\ell} \, p_\ell(c) \;=\; p(c)' \theta_j. $$

$\theta_j$ is a group: either all components zero (excluded) or some non-zero (included).

Estimator:

$$ \min_{\{\theta_j\}} \;\sum_{i, t} \Bigl( r_{it+1} - \sum_j p(C_{ijt})' \theta_j \Bigr)^2 \;+\; \lambda \sum_j w_j \, \|\theta_j\|_2. $$

The group penalty $\|\theta_j\|_2$ sets entire groups to zero. The adaptive weights $w_j$ (from an initial unpenalised fit) ensure consistent selection.

4. The 36 characteristics

Eleven market/return-based, twenty-five fundamentals-based. Examples:

This is the panel that Kelly et al. (2019) inherit and CRW (2023) build on.

5. Empirical findings

5.1 All stocks above $5 price (full sample)

15 characteristics survive. Most influential (approximate order):

  1. Market cap (LME) — strongly nonlinear
  2. Closeness to 52-week high
  3. SUV
  4. Lagged turnover
  5. r12-2 momentum
  6. r2-1 reversal
  7. r12-7 intermediate momentum
  8. Idio vol
  9. Free cash flow
  10. Bid-ask spread

Surprisingly dropped: most balance-sheet ratios, including value (B/M), beta, ROE, accruals, investment. Look significant in linear single-variable analyses but drop out once you control for the survivors with flexible functional form.

5.2 Large-cap subsample (top 80% by NYSE size)

Only 7 characteristics survive: size, momentum, SUV, lagged turnover, idio vol, profitability, intermediate momentum.

5.3 Functional form

Most surviving characteristics show clear nonlinearity — sometimes a jump at extreme deciles with a flat middle, sometimes a smooth concave curve. Linear Fama-MacBeth slopes miss this.

6. Connection to other papers in this series

flowchart LR CL["Connor & Linton (2007)
3 chars, kernel"] FNW["FNW (2020)
36 chars, splines + group LASSO"] KPS["Kelly-Pruitt-Su (2019)
uses 36-char panel + IPCA"] CRW["CRW (2023)
uses 36-char panel + regressed-PCA"] CL --> FNW FNW --> KPS FNW --> CRW style FNW fill:#fff6e3,stroke:#b8651e

FNW vs. CRW: FNW is a return-prediction model ($E[r|z]$); CRW is a factor model (separates risk loading from mispricing). Complementary — FNW tells you which characteristics deserve modelling; CRW tells you whether their predictive content is risk or alpha.

7. What this gives the AOF model

FNW feeds the AOF pipeline at three points:

AOF design stepFNW contribution
Choice of $z$ vectorThe 36-char list itself. Don't reinvent; this is the consensus academic panel.
Selecting which $z_j$ to keepThe 15-char "matters jointly" shortlist for small-cap-friendly; the 7-char list for large-cap-only. Saves basis dimensions, reduces overfitting risk.
Basis designEmpirical nonlinearity profile. Strongly nonlinear chars (size, 52-week high) deserve more knots; smooth-linear chars (momentum) use $(1, z)$.

For Japan: re-run adaptive group LASSO on JP 36-char panel as a separate research step. Selected JP shortlist will differ — likely momentum and size hold up; value (B/M) and profitability may be stronger in JP than US.

8. Reading next

← 学習ベース index · 8 本中 5 本目

05 — Freyberger, Neuhierl & Weber (2020)

特性のノンパラメトリック分解
Review of Financial Studies 33(5), 2326–2377 · 松前 景一郎 · 2026-05-15

論文の要点

  • 2 つの問いに同時回答：(i) 単独でリターンを予測する多数の企業特性のうち、他をすべて控除した上で独立な情報を持つのは何個か？ (ii) その関係は線形か？
  • 手法：特性ごとにスプライン基底＋同時選択のためのadaptive group LASSO。
  • サンプル：36 特性 × 約 5,000 米国個別株 × 1963–2015 月次。
  • 結果 1：36 中 15 特性が同時選択で生き残る。
  • 結果 2：NYSE 上位 80% に限定すると7 特性のみ。
  • Kelly et al. (2019) と CRW (2023) が共に用いる 36 特性パネルの源。
  • AOF 用途：どの特性に基底次元を割くべきかを示す。

1. なぜこの論文が必要か

2015 年までに学術文献では 300 超の「アノマリー」特性が文書化されていた。2 つの問題：

  1. 同時有意性。多くは単独で研究されている。相互に相関（規模はモメンタムと、B/M と、収益性と相関）。同時検定で残るのは？
  2. 関数形。ほぼすべての研究が線形を仮定（または粗いポートフォリオソート）。真の関係が非線形ならどうなる？

FNW は両方を同時に扱う単一手続きを提案。

2. モデル

$$ r_{it+1} \;=\; \sum_{j=1}^{M} m_j(C_{ijt}) \;+\; \varepsilon_{it+1}, $$

これはリターン予測モデルであって、ファクターモデルではない。FNW はローディングや潜在ファクターを推定しない。特性駆動の平均を持つ単一のクロスセクション回帰。FNW は「どの特性が関連するか」の選択入力に用い、ファクター構造には IPCA や CRW を使う。

3. 推定量 — スプライン付き adaptive group LASSO

各特性 $j$ について、$L$ 節点の B スプラインで $m_j(\cdot)$ を近似：

$$ m_j(c) \;\approx\; \sum_{\ell=1}^{L} \theta_{j\ell} \, p_\ell(c) \;=\; p(c)' \theta_j. $$

$\theta_j$ はグループ：全成分 0（除外）か、一部非ゼロ（採用）。

推定量：

$$ \min_{\{\theta_j\}} \;\sum_{i, t} \Bigl( r_{it+1} - \sum_j p(C_{ijt})' \theta_j \Bigr)^2 \;+\; \lambda \sum_j w_j \, \|\theta_j\|_2. $$

グループペナルティ $\|\theta_j\|_2$ がグループ全体を 0 にする。adaptive weights $w_j$（初期非ペナルティ推定から得る）は一致選択を保証。

4. 36 特性

11 種が市場・リターンベース、25 種がファンダメンタルベース。例：

これが Kelly et al. (2019) が継承し、CRW (2023) が構築するパネル。

5. 実証結果

5.1 全銘柄（5 ドル超）フルサンプル

15 特性が生き残る。影響度上位（おおむね順）：

  1. 時価総額（LME） — 強い非線形
  2. 52 週高値との近接度
  3. SUV
  4. ラグ回転率
  5. r12-2 モメンタム
  6. r2-1 リバーサル
  7. r12-7 中期モメンタム
  8. 特異ボラ
  9. フリーキャッシュフロー
  10. ビッドアスクスプレッド

意外に脱落：多くのバランスシート系比率 — バリュー (B/M)、ベータ、ROE、accruals、投資。線形・単一変量分析では有意に見えるが、柔軟な関数形で他の生存者を控除すると消える。

5.2 大型株サブサンプル（NYSE 上位 80%）

7 特性のみ生存：規模、モメンタム、SUV、ラグ回転率、特異ボラ、収益性、中期モメンタム。

5.3 関数形

生存特性のほとんどが明確な非線形性を示す — 極端な十分位でジャンプして中央が平坦なケース、滑らかな凹曲線のケースなど。線形 Fama-MacBeth 傾きはこれを取り逃がす。

6. 本シリーズ内での位置づけ

flowchart LR CL["Connor & Linton (2007)
3 特性、カーネル"] FNW["FNW (2020)
36 特性、スプライン＋group LASSO"] KPS["Kelly-Pruitt-Su (2019)
36 特性パネル＋IPCA"] CRW["CRW (2023)
36 特性パネル＋regressed-PCA"] CL --> FNW FNW --> KPS FNW --> CRW style FNW fill:#fff6e3,stroke:#b8651e

FNW vs. CRW：FNW はリターン予測モデル（$E[r|z]$）、CRW はファクターモデル（リスクローディングとミスプライシングを分離）。補完関係 — FNW は「どの特性をモデルに入れる価値があるか」、CRW は「その予測成分はリスクかアルファか」を答える。

7. AOF モデルへの貢献

FNW は AOF パイプラインの 3 か所に寄与：

AOF 設計ステップFNW の貢献
$z$ ベクトルの選択36 特性リストそのもの。再発明しない；これが学術コンセンサスのパネル。
$z_j$ の絞り込み「同時に意味を持つ」15 特性ショートリスト（小型株対応版）、または 7 特性リスト（大型株専用）。基底次元を節約、過学習リスク低減。
基底設計実証的非線形プロファイル。強い非線形（規模、52 週高値）にはより多くの節点、滑らかな線形効果（モメンタム）には $(1, z)$ で十分。

日本：JP の 36 特性パネルに対し adaptive group LASSO を別研究ステップとして再実行。JP のショートリストは米国とは異なる — モメンタムと規模は維持、バリュー (B/M) と収益性は JP の方が強い可能性。

8. 次に読むべきもの