在金融异象研究中，高换手率伴随股价剧烈波动被广泛视为一种潜在的定价异象，它挑战了有效市场假说中“交易量不蕴含未来收益信息”的传统观点。实证检验通常通过两步完成：先用排序法构造投资组合，观察高换手率波动组合是否产生显著超额收益；再用Fama-MacBeth回归控制已知风险因子，判断该异象是否独立存在。
排序法：检验异象收益率的第一步
排序法是将样本股票按换手率（或波动率）从低到高排序，分为若干组（如5组或10组），然后比较最高组与最低组在未来一段时间的平均收益率差异。具体步骤包括：
- 每月初按过去一个月日均换手率对股票排序，分成5组（Q1为低换手率组，Q5为高换手率组）。
- 同时按股价波动率（如日收益率标准差）再做一次独立排序，得到波动率分组。
- 取“高换手率+高波动率”交叉组合的等权或市值加权收益率，计算其相对于无风险利率的超额收益。 若该组合的月均超额收益显著为正（或负），且不能被市场、规模、价值等常见因子解释，就初步支持该异象的存在。
Fama-MacBeth回归：控制变量后确认异象独立性
排序法只能观察分组收益差异，无法排除其他变量的干扰。Fama-MacBeth回归通过两步回归，在控制已知风险因子后检验换手率与波动率的独立定价能力：
- 第一步（截面回归）：每个月对全部股票做一次横截面回归，将个股未来收益率作为因变量，自变量包括：当月换手率、股价波动率、市值（取对数）、账面市值比、动量（过去6个月收益率）等。回归方程形式为：
R_{i,t+1} = α_t + β₁·Turnover_{i,t} + β₂·Volatility_{i,t} + Σγ_j·Control_{j,i,t} + ε_{i,t} - 第二步（时间序列平均）：将各月回归得到的系数（如换手率系数β₁）取时间序列均值，并用标准差计算t统计量，判断均值是否显著异于零。
若换手率与波动率的系数在统计上显著，则说明即使在控制了市值、价值、动量等因子后，这两个变量仍能预测未来收益率，即构成独立异象。反之，若系数不显著，则表明该异象可以被已知因子解释。
关键结论：高换手率伴随股价剧烈波动之所以被视作异象，根本原因在于它反映了非理性交易导致的错误定价风险——高换手率往往意味着投资者过度反应或投机情绪，而剧烈波动则强化了这种非理性定价的持续性。这类异象在散户交易占比高的股票中更为常见，且难以被套利行为完全消除。
常见问题
排序法分组时，换手率和波动率应该取多久的数据？
通常取过去1个月（约20个交易日）的日均换手率和日收益率标准差。更长的回溯期（如3个月或6个月）会平滑短期波动，但可能降低对异象的敏感度。具体窗口选择应结合研究目的和数据频率，常见做法是同时报告1个月和3个月的结果作为稳健性检验。
Fama-MacBeth回归中需要控制哪些变量？
至少应控制市值（规模效应）、账面市值比（价值效应）、动量（过去6-12个月收益率）和流动性（如Amihud非流动性指标）。若研究聚焦于A股，还建议加入换手率本身的滞后项，以排除短期反转效应。控制变量的选择应参考该领域已发表的代表性文献。
如果高换手率波动组合的收益显著，是否说明市场无效？
不必然。显著的超额收益可能来自未被模型捕捉到的风险暴露（如跳跃风险或流动性风险），而非纯粹的定价错误。只有在排除了所有已知风险因子、且无法用交易成本或数据挖掘解释后，才可初步认定为市场异象。这类结论通常需要跨市场、跨时间段的稳健性检验支持。