ความผิดปกติของตลาดในตลาดการเงินคือความสามารถในการคาดการณ์ที่ดูเหมือนจะไม่สอดคล้องกับทฤษฎีราคาของสินทรัพย์ (โดยทั่วไปคือทฤษฎีที่อิงตามความเสี่ยง) ^{[ 1 ]} ทฤษฎีมาตรฐานได้แก่แบบจำลองการกำหนดราคาของสินทรัพย์ทุนและแบบจำลองสามปัจจัยของ Fama-Frenchแต่การขาดความเห็นพ้องต้องกันในหมู่นักวิชาการเกี่ยวกับทฤษฎีที่เหมาะสมทำให้หลายคนอ้างถึงความผิดปกติโดยไม่กล่าวถึงทฤษฎีมาตรฐาน (เช่น Daniel และ Hirschleifer 2015 ^{[ 2 ]}และ Barberis 2018, ^{[ 3 ]} ) อันที่จริง นักวิชาการหลายคนเพียงแค่อ้างถึงความผิดปกติว่าเป็น "ตัวทำนายผลตอบแทน" โดยหลีกเลี่ยงปัญหาของการกำหนดทฤษฎีมาตรฐาน^{[ 4 ]}

นักวิชาการได้บันทึกตัวทำนายผลตอบแทนไว้มากกว่า 150 รายการ (ดูรายชื่อความผิดปกติที่บันทึกไว้ในวารสารวิชาการ )อย่างไรก็ตาม "ความผิดปกติ" เหล่านี้มีข้อจำกัดหลายประการ ความผิดปกติที่บันทึกไว้เกือบทั้งหมดมุ่งเน้นไปที่หุ้นขนาดเล็กที่มีสภาพคล่องต่ำ^{[ 4 ]}ยิ่งไปกว่านั้น การศึกษาเหล่านี้ไม่ได้คำนึงถึงต้นทุนการซื้อขาย ส่งผลให้ความผิดปกติหลายอย่างไม่ได้ให้ผลกำไร แม้ว่าจะมีความสามารถในการทำนายก็ตาม^{[ 5 ]}นอกจากนี้ ความสามารถในการทำนายผลตอบแทนจะลดลงอย่างมากหลังจากมีการเผยแพร่ตัวทำนาย และดังนั้นอาจไม่ให้ผลกำไรในอนาคต^{[ 4 ]} สุดท้าย ความสามารถในการทำนายผลตอบแทนอาจเกิดจากความเสี่ยงที่เปลี่ยนแปลงไปตามช่วงเวลาหรือภาคตัดขวาง ดังนั้นจึงไม่จำเป็นต้องเป็นโอกาสการลงทุนที่ดี ในทำนองเดียวกัน ความสามารถในการทำนายผลตอบแทนเพียงอย่างเดียวไม่ได้หักล้างสมมติฐานตลาดที่มีประสิทธิภาพเนื่องจากจำเป็นต้องแสดงให้เห็นถึงความสามารถในการทำนายที่มากกว่าที่บ่งบอกโดยแบบจำลองความเสี่ยงเฉพาะ^{[ 6 ]}

คำอธิบายหลักสี่ประการสำหรับความผิดปกติของตลาดคือ (1) การกำหนดราคาผิดพลาด (2) ความเสี่ยง ที่วัดไม่ได้ (3) ข้อจำกัดในการเก็งกำไรและ (4) อคติในการเลือก^{[ 4 ]} นักวิชาการ ยัง ไม่บรรลุข้อตกลงเกี่ยวกับสาเหตุที่แท้จริง โดยนักวิชาการที่มีชื่อเสียงยังคงสนับสนุนอคติในการเลือก^{[ 7 ]}การกำหนดราคาผิดพลาด^{[ 3 ]}และทฤษฎีตามความเสี่ยง^{[ 8 ]}

ความผิดปกติสามารถแบ่งออกเป็นประเภทกว้างๆ ได้แก่ ความผิดปกติแบบอนุกรมเวลาและความผิดปกติแบบภาคตัดขวาง ความผิดปกติแบบอนุกรมเวลาหมายถึงความสามารถในการคาดการณ์ในตลาดหุ้นโดยรวม เช่น ตัวบ่ง ชี้ อัตราส่วนราคาต่อกำไรที่ปรับตามวัฏจักร (CAPE) ที่ มักมีการกล่าวถึง ^{[ 9 ]} ตัวบ่งชี้แบบอนุกรมเวลาเหล่านี้บ่งชี้ถึงช่วงเวลาที่ควรลงทุนในหุ้นมากกว่าสินทรัพย์ที่ปลอดภัย (เช่น พันธบัตรรัฐบาล) ความผิดปกติแบบภาคตัดขวางหมายถึงผลการดำเนินงานที่คาดการณ์ได้ของหุ้นบางตัวเมื่อเทียบกับหุ้นอื่นๆ ตัวอย่างเช่น ความผิดปกติด้านขนาดที่รู้จักกันดี^{[ 10 ]}หมายถึงข้อเท็จจริงที่ว่าหุ้นที่มีมูลค่าตลาดต่ำกว่ามักจะมีผลการดำเนินงานดีกว่าหุ้นที่มีมูลค่าตลาดสูงกว่าในอนาคต

เอกสารจำนวนมาก หากไม่ใช่ส่วนใหญ่ ที่บันทึกความผิดปกติ ระบุว่าความผิดปกตินั้นเกิดจากการกำหนดราคาผิดพลาด (เช่น Lakonishok, Shelifer และ Visny 1994, ^{[ 11 ]} ) คำอธิบายเรื่องการกำหนดราคาผิดพลาดนั้นสมเหตุสมผล เนื่องจากความผิดปกติโดยนิยามแล้วคือการเบี่ยงเบนจากทฤษฎีมาตรฐานของราคาสินทรัพย์ ดังนั้น "การกำหนดราคาผิดพลาด" จึงถูกนิยามว่าเป็นการเบี่ยงเบนเมื่อเทียบกับมาตรฐาน

เกณฑ์มาตรฐานที่ใช้กันทั่วไปคือCAPM (Capital-Asset-Pricing Model) การเบี่ยงเบนจากทฤษฎีนี้วัดได้จากค่าจุดตัดที่ไม่เป็นศูนย์ในเส้นประมาณการตลาดหลักทรัพย์ค่าจุดตัดนี้มักใช้สัญลักษณ์อักษรกรีกแอลฟา:

${\displaystyle E(R_{t}-R_{f,t})=\alpha +\beta [E(R_{M,t}-R_{f,t})]\,}$

โดยที่คือผลตอบแทนจากความผิดปกติคือผลตอบแทนจากอัตราผลตอบแทนที่ปราศจากความเสี่ยงคือความชันจากการถดถอยของผลตอบแทนจากความผิดปกติกับผลตอบแทนของตลาด และคือผลตอบแทนจาก "ตลาด" ซึ่งมักใช้ผลตอบแทนจาก ดัชนี CRSP (ดัชนีของหุ้นที่ซื้อขายในตลาดหลักทรัพย์สหรัฐฯ ทั้งหมด) เป็นตัวแทน ${\displaystyle R_{t}}$${\displaystyle R_{f,t}}$${\displaystyle \beta }$${\displaystyle R_{M,t}}$

คำอธิบายเรื่องการกำหนดราคาที่ไม่ถูกต้องมักเป็นประเด็นถกเถียงในแวดวงวิชาการด้านการเงิน เนื่องจากนักวิชาการไม่เห็นด้วยกับทฤษฎีเกณฑ์มาตรฐานที่เหมาะสม (ดูหัวข้อ ความเสี่ยงที่วัดไม่ได้ ด้านล่าง) ความไม่เห็นด้วยนี้มีความเกี่ยวข้องอย่างใกล้ชิดกับ "ปัญหาของสมมติฐานร่วม" ของสมมติฐานตลาดที่มีประสิทธิภาพ

ในหมู่นักวิชาการ การตอบสนองทั่วไปต่อข้อกล่าวอ้างเรื่องการกำหนดราคาผิดพลาดคือแนวคิดที่ว่าความผิดปกตินั้นจับมิติของความเสี่ยงที่ขาดหายไปจากทฤษฎีมาตรฐาน ตัวอย่างเช่น ความผิดปกติอาจสร้างผลตอบแทนที่คาดหวังเกินกว่าที่วัดได้โดยใช้การถดถอย CAPM เนื่องจากอนุกรมเวลาของผลตอบแทนนั้นมีความสัมพันธ์กับรายได้จากแรงงาน ซึ่งไม่ได้ถูกจับโดยตัวแทนมาตรฐานสำหรับผลตอบแทนของตลาด^{[ 12 ]}

บางทีตัวอย่างที่รู้จักกันดีที่สุดของคำอธิบายความเสี่ยงที่วัดไม่ได้นี้พบได้ในเอกสารสัมมนาของ Fama และ French เกี่ยวกับแบบจำลอง 3 ปัจจัยของพวกเขา: "หากสินทรัพย์มีราคาอย่างมีเหตุผล ตัวแปรที่เกี่ยวข้องกับผลตอบแทนเฉลี่ย ... ... จะต้องเป็นตัวแทนสำหรับความไวต่อปัจจัยเสี่ยงทั่วไป (ที่ใช้ร่วมกันและไม่สามารถกระจายความเสี่ยงได้) ในผลตอบแทน การถดถอยอนุกรมเวลา [แบบจำลอง 3 ปัจจัย] ให้หลักฐานโดยตรงเกี่ยวกับปัญหานี้" ^{[ 13 ]}

คำอธิบายเกี่ยวกับความเสี่ยงที่วัดไม่ได้นั้นมีความเกี่ยวข้องอย่างใกล้ชิดกับข้อบกพร่องของ CAPM ในฐานะทฤษฎีความเสี่ยง ตลอดจนข้อบกพร่องของการทดสอบเชิงประจักษ์ของ CAPM และแบบจำลองที่เกี่ยวข้อง บางทีคำวิจารณ์ที่พบบ่อยที่สุดของ CAPM ก็คือมันถูกพัฒนาขึ้นในบริบทของช่วงเวลาเดียว ดังนั้นจึงขาดคุณลักษณะเชิงพลวัต เช่น ช่วงเวลาที่มีความไม่แน่นอนสูง ในบริบททั่วไป CAPM มักจะบ่งชี้ถึงปัจจัยเสี่ยงหลายประการ ดังที่แสดงใน ทฤษฎี CAPM ระหว่างช่วงเวลาของ Mertonยิ่งไปกว่านั้น CAPM โดยทั่วไปบ่งชี้ว่าผลตอบแทนที่คาดหวังจะเปลี่ยนแปลงไปตามเวลา ดังนั้นความสามารถในการคาดการณ์อนุกรมเวลาจึงไม่ใช่หลักฐานที่ชัดเจนของการกำหนดราคาผิดพลาด อันที่จริง เนื่องจาก CAPM ไม่สามารถจับภาพผลตอบแทนที่คาดหวังเชิงพลวัตได้เลย หลักฐานของความสามารถในการคาดการณ์อนุกรมเวลาจึงมักถูกมองว่าเป็นการกำหนดราคาผิดพลาดน้อยกว่าเมื่อเทียบกับความสามารถในการคาดการณ์แบบภาคตัดขวาง

ข้อบกพร่องเชิงประจักษ์ส่วนใหญ่เกี่ยวข้องกับความยากลำบากในการวัดความมั่งคั่งหรืออรรถประโยชน์ส่วนเพิ่มตามทฤษฎีแล้ว ความมั่งคั่งไม่ได้รวมเฉพาะความมั่งคั่งในตลาดหุ้นเท่านั้น แต่ยังรวมถึงความมั่งคั่งที่ไม่สามารถซื้อขายได้ เช่น สินทรัพย์ส่วนตัวและรายได้จากแรงงานในอนาคต ในCAPM การบริโภค (ซึ่งตามทฤษฎีแล้วเทียบเท่ากับ ICAPM ของ Merton) ตัวแทนที่เหมาะสมสำหรับความมั่งคั่งคือการบริโภค ซึ่งยากต่อการวัด (Savov 2011, ^{[ 14 ]}เป็นต้น)

แม้ว่าคำอธิบายความเสี่ยงที่วัดไม่ได้จะมีความถูกต้องตามทฤษฎี แต่ก็ยังมีความเห็นพ้องกันน้อยมากในหมู่นักวิชาการเกี่ยวกับแบบจำลองความเสี่ยงที่เหมาะสมนอกเหนือจาก CAPM ข้อเสนอต่างๆ ได้แก่ แบบจำลอง 3 ปัจจัยของ Fama-French ที่เป็นที่รู้จักกันดี แบบจำลอง 4 ปัจจัยของ Fama-French-Carhart แบบจำลอง 5 ปัจจัยของ Fama-French และแบบจำลอง 4 ปัจจัยของ Stambaugh และ Yuan ^{[ 15 ] [ 16 ] [ 17 ]}แบบจำลองเหล่านี้ล้วนมุ่งเน้นเชิงประจักษ์มากกว่าที่จะได้มาจากทฤษฎีสมดุลที่เป็นทางการ เช่น ICAPM ของ Merton

ความผิดปกติเกือบทั้งหมดจะถูกบันทึกโดยใช้ราคาปิดจากชุดข้อมูล CRSP ราคาเหล่านี้ไม่ได้สะท้อนต้นทุนการซื้อขาย ซึ่งอาจป้องกันการเก็งกำไรและทำให้คาดการณ์การกำจัดได้ยาก ยิ่งไปกว่านั้น ความผิดปกติเกือบทั้งหมดจะถูกบันทึกโดยใช้พอร์ตโฟลิโอที่มีน้ำหนักเท่ากัน^{[ 4 ]}และดังนั้นจึงต้องมีการซื้อขายหุ้นที่ไม่มีสภาพคล่อง (มีต้นทุนการซื้อขายสูง)

คำอธิบายเกี่ยวกับข้อจำกัดของการเก็งกำไรอาจมองได้ว่าเป็นการปรับปรุงกรอบแนวคิดเรื่องการกำหนดราคาที่ไม่ถูกต้อง รูปแบบผลตอบแทนจะให้ผลกำไรก็ต่อเมื่อผลตอบแทนที่ได้รับนั้นสามารถเอาชนะต้นทุนการซื้อขายได้ ดังนั้นจึงไม่ควรพิจารณาว่าเป็นการกำหนดราคาที่ไม่ถูกต้อง เว้นแต่จะมีการคำนึงถึงต้นทุนการซื้อขายแล้ว

เอกสารจำนวนมากระบุว่าต้นทุนการซื้อขายช่วยลดผลตอบแทนที่ผิดปกติได้อย่างมาก เอกสารเหล่านี้มีมาตั้งแต่ Stoll และ Whaley (1983) และ Ball, Kothari และ Shanken (1995) ^{[ 18 ] [ 19 ]} บทความล่าสุดที่ศึกษาความผิดปกติหลายสิบรายการพบว่าต้นทุนการซื้อขายมีผลกระทบอย่างมากต่อความผิดปกติโดยเฉลี่ย (Novy-Marx และ Velikov 2015) ^{[ 5 ]}

ความผิดปกติที่บันทึกไว้มีแนวโน้มที่จะเป็นผลลัพธ์ที่ดีที่สุดจากชุดตัวทำนายผลตอบแทนที่มีศักยภาพจำนวนมาก การเลือกนี้สร้างอคติและบ่งชี้ว่าการประมาณการผลกำไรของความผิดปกตินั้นสูงเกินจริง คำอธิบายสำหรับความผิดปกตินี้ยังเป็นที่รู้จักกันในชื่อการสอดแนมข้อมูล การแฮ็ก p การขุดข้อมูล และการขุดค้นข้อมูลและมีความเกี่ยวข้องอย่างใกล้ชิดกับปัญหาการเปรียบเทียบหลายรายการความกังวลเกี่ยวกับอคติในการเลือกในความผิดปกติมีมาอย่างน้อยตั้งแต่ Jensen และ Bennington (1970) ^{[ 20 ]}

งานวิจัยส่วนใหญ่เกี่ยวกับอคติในการเลือกในความผิดปกติของตลาดมุ่งเน้นไปที่กลุ่มย่อยเฉพาะของตัวทำนาย ตัวอย่างเช่น Sullivan, Timmermann และ White (2001) แสดงให้เห็นว่าความผิดปกติตามปฏิทินไม่มีนัยสำคัญอีกต่อไปหลังจากปรับแก้สำหรับอคติในการเลือก^{[ 21 ]} การวิเคราะห์เมตาครั้งล่าสุดของค่าพรีเมียมขนาดแสดงให้เห็นว่าการประมาณการค่าพรีเมียมขนาดที่รายงานนั้นเกินจริงเป็นสองเท่าเนื่องจากอคติในการเลือก^{[ 22 ]}

การวิจัยเกี่ยวกับอคติในการเลือกสำหรับความผิดปกติโดยทั่วไปค่อนข้างจำกัดและไม่สามารถสรุปได้ McLean และ Pontiff (2016) ใช้การทดสอบนอกตัวอย่างเพื่อแสดงให้เห็นว่าอคติในการเลือกคิดเป็นสัดส่วนสูงสุด 26% ของผลตอบแทนเฉลี่ยของความผิดปกติทั่วไปในช่วงระยะเวลาตัวอย่างของการตีพิมพ์ครั้งแรก เพื่อแสดงให้เห็นสิ่งนี้ พวกเขาจำลองความผิดปกติเกือบ 100 รายการ และแสดงให้เห็นว่าผลตอบแทนเฉลี่ยของความผิดปกติลดลงเพียง 26% ในช่วงไม่กี่ปีหลังจากสิ้นสุดตัวอย่างเดิม เนื่องจากบางส่วนของการลดลงนี้อาจเกิดจากผลกระทบของการเรียนรู้ของนักลงทุน 26% จึงเป็นขอบเขตบน^{[ 4 ]} ในทางตรงกันข้าม Harvey, Liu และ Zhu (2016) ปรับการทดสอบหลายรายการจากสถิติเช่นอัตราการค้นพบที่ผิดพลาดไปยัง "ปัจจัย" การกำหนดราคาของสินทรัพย์ พวกเขาอ้างถึงปัจจัยว่าเป็นตัวแปรใด ๆ ที่ช่วยอธิบายส่วนตัดขวางของผลตอบแทนที่คาดหวัง และด้วยเหตุนี้จึงรวมความผิดปกติจำนวนมากไว้ในการศึกษาของพวกเขา พวกเขาพบว่าสถิติการทดสอบหลายครั้งบ่งชี้ว่าปัจจัยที่มีค่า t-statistic < 3.0 ไม่ควรได้รับการพิจารณาว่ามีความสำคัญทางสถิติ และสรุปว่าผลการค้นพบที่ตีพิมพ์ส่วนใหญ่มีแนวโน้มที่จะเป็นเท็จ^{[ 23 ]}

ผลกระทบของบริษัทขนาดเล็กเสนอว่าบริษัทขนาดเล็กมีผลการดำเนินงานที่ดีกว่าบริษัทขนาดใหญ่ มีการถกเถียงกันในวารสารวิชาการว่าผลกระทบดังกล่าวเป็นเรื่องจริงหรือเกิดจากข้อผิดพลาดเชิงระบบบางประการ^{[ 24 ] [ 25 ] [ 26 ]}

สิ่งนี้เกี่ยวข้องกับปรากฏการณ์บริษัทที่ถูกละเลย

• ผลกระทบของบริษัทที่ถูกละเลย
• ความผิดปกติที่มีความผันผวนต่ำ

• ความผิดปกติและประสิทธิภาพของตลาด
• ความผิดปกติของตลาดการเงินถูกเก็บถาวรเมื่อวันที่ 26 พฤศจิกายน 2013 ที่Wayback Machine