CRW (2023) tests $\alpha(\cdot) = 0$ in a fully structural factor model. KKN asks the simpler, more practical question: if I take a vector of stock characteristics and build the optimal portfolio, does it earn alpha after standard factor controls?
Motivation: many anomaly studies look at one characteristic at a time. KKN's portfolio captures the joint information from all characteristics in a single instrument. Testing one portfolio for alpha is more powerful than testing each characteristic individually.
Posit a predictive relationship:
$$ \mathbb{E}[r_{i, t+1} \mid z_{it}] \;=\; z_{it}'\,\theta. $$The arbitrage portfolio has weights:
$$ w_{it} \;\propto\; z_{it}'\,\theta - \overline{z_t'\theta}, $$i.e. tilted long toward stocks whose characteristics predict high returns, short stocks whose characteristics predict low returns, demeaned each month for dollar-neutrality.
Portfolio return: $R^{\text{arb}}_{t+1} = \sum_i w_{it}\, r_{i, t+1}$.
High-dimensional cross-sectional regression. KKN use regularised regression:
Even with $K \approx 50$ characteristics and $T \approx 600$ months, $\hat\theta$ is informative enough to build economically large portfolios.
Sample: US individual stocks, ~50 characteristics, 1965–2014.
| Test | Result |
|---|---|
| Raw arbitrage portfolio Sharpe | 1.5–2.5 |
| FF5-adjusted alpha (Sharpe of residuals) | ~1.5 |
| Annualised alpha vs FF5 | 8–15% |
| Survives transaction costs (30 bps) | Yes |
| Robust across decades | Yes, declining magnitude post-2000 |
| Stable across sub-universes (size, sector) | Mostly yes |
Claim: too large and too stable to be a missing-risk-factor story of plausible content. Either (a) genuine mispricing, or (b) a peculiar yet-uncaptured risk factor. KKN lean toward (a).
| KKN (2020) | CRW (2023) | |
|---|---|---|
| What it estimates | Predictive coefficient $\theta$ + portfolio weights | Full factor model: $\alpha(\cdot), \beta(\cdot), f_t$ |
| Functional form | Linear in $z$ (or kernel) | Nonparametric via sieves |
| Test for mispricing | TS alpha of arbitrage portfolio | Wald test of $\alpha(\cdot)=0$ in structural model |
| Asymptotics | Standard large-$N$-large-$T$ | Fixed-$T$ via bootstrap |
| Empirical conclusion | Mispricing exists, exploitable | Mispricing exists, Sharpe > 3 on pure-$\alpha$ |
| Strength | Direct, intuitive, implementable | Structural, decomposes risk vs alpha cleanly |
| Weakness | No clean attribution of alpha source | More machinery; harder to explain |
Triangulation value. Two methodologically different procedures, same economic-scale finding of mispricing — much stronger evidence than either alone.
For Japan: KKN-style is much easier to run on JP first than full CRW — tolerates missing characteristics (Lasso drops them), no basis-design decision.
CRW (2023) はフル構造ファクターモデルで $\alpha(\cdot) = 0$ を検定。KKN はよりシンプルかつ実務的な問いに答える：銘柄特性ベクトルから最適ポートフォリオを構築したとき、それは標準的ファクター控除後にアルファを得るか？
動機：多くのアノマリー研究は特性を 1 つずつ見る。KKN のポートフォリオは全特性の同時情報を単一のインストルメントに集約。1 つのポートフォリオを検定するほうが、個々の特性を検定するより検出力が高い。
予測関係を仮定：
$$ \mathbb{E}[r_{i, t+1} \mid z_{it}] \;=\; z_{it}'\,\theta. $$アービトラージポートフォリオのウェイト：
$$ w_{it} \;\propto\; z_{it}'\,\theta - \overline{z_t'\theta}, $$特性が高リターンを予測する銘柄に正、低リターンを予測する銘柄に負に傾斜。各月で平均除去してドルニュートラル。
ポートフォリオリターン：$R^{\text{arb}}_{t+1} = \sum_i w_{it}\, r_{i, t+1}$。
高次元クロスセクション回帰問題。KKN は正則化回帰を用いる：
$K \approx 50$ 特性、$T \approx 600$ 月でも、$\hat\theta$ は経済的に大きなポートフォリオを構築するに足る情報を持つ。
サンプル：米国個別株、約 50 特性、1965–2014。
| 検定 | 結果 |
|---|---|
| 生のアービトラージポートフォリオのシャープ | 1.5–2.5 |
| FF5 調整後アルファ（残差のシャープ） | ~1.5 |
| FF5 比年率アルファ | 8–15% |
| 取引コスト 30bps で生存 | はい |
| 数十年で頑健 | はい、2000 年以降は大きさが低下 |
| サブユニバース（規模・業種）で安定 | 概ねはい |
主張：規模・安定性の両面で、もっともらしい内容の欠落リスクファクターでは説明しきれない。(a) 純粋なミスプライシング、または (b) いまだ捉えられていない奇妙なリスクファクター。KKN は (a) に傾く。
| KKN (2020) | CRW (2023) | |
|---|---|---|
| 推定対象 | 予測係数 $\theta$ ＋ポートフォリオウェイト | フルファクターモデル：$\alpha(\cdot), \beta(\cdot), f_t$ |
| 関数形 | $z$ について線形（またはカーネル） | 篩によるノンパラメトリック |
| ミスプライシング検定 | アービトラージポートフォリオの TS アルファ | 構造モデルの $\alpha(\cdot)=0$ Wald 検定 |
| 漸近 | 標準的大 $N$・大 $T$ | ブートストラップで固定 $T$ |
| 実証結論 | ミスプライシング存在、exploit 可能 | 同左、純 $\alpha$ でシャープ > 3 |
| 強み | 直接的・直感的・実装容易 | 構造的、リスク vs アルファをクリーンに分解 |
| 弱み | アルファの出所のクリーンな帰属がない | 機械装置が大きい、説明が難しい |
三角検証の価値。方法論的に異なる 2 つの手続きが、同じ経済的規模でミスプライシングを発見 — どちらか単独より証拠は遥かに強い。
日本：KKN 流推定はフル CRW モデルより日本で先に実装するのがはるかに容易 — 特性欠損に寛容（Lasso が落とす）、基底設計の意思決定不要。