本篇是学海拾珠系列第二百八十三篇，文章构建了一个将机器学习预期收益率与规模依赖的交易成本同时纳入异象组合形成过程的双重排序框架，用以“复兴”传统多空异象组合的样本外表现。
　　研究背景：异象为何在扣除成本后大多失效
　　学术证据显示，过去二十年间多数异象（如规模、价值、动量等）在剔除交易成本后已难以产生显著收益。本研究认为，收益预测精度的提升与交易成本的客观存在，是理解异象“失效”与“复兴”的两个关键维度。
　　研究方法：预期收益与交易成本的条件双重排序
　　在按153个特征进行五分位排序后，在每个分位内部再按个股预期净收益进行二次五分位排序，取“高特征、高预期净收益”为多头、“低特征、低预期净收益”为空头。预期毛收益采用神经网络方法逐年滚动估计；预期交易成本借鉴规模依赖二次价格冲击模型，随基金规模而变化。
　　研究结论：可实施异象的经济价值与基金行为证据
　　2004-2023年样本内，153个异象中仅极少数能在扣除冲击成本后为大型基金（16亿美元）提供显著净收益；经预期收益与交易成本双重调整后，小型基金可获101个、大型基金可获41个显著净收益异象，质量、应计类异象表现最为稳健，规模类异象则始终难以“复兴”。由可实施异象构成的1/N组合在20年样本外区间实现0.64-1.01的夏普比率与显著为正的CAPM alpha。进一步发现，公募基金持仓系统性地向可实施异象倾斜，且异象对齐度更高的基金费后收益显著更高。
　　文献来源
　　核心内容摘选自Heiner Beckmeyer、Florian Berg、Timo Wiedemann和Jonas Wortmann于2026年3月发表的工作论文《Reviving Anomalies》（最新版本2026年3月25日）。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。