这组菲律宾新样本提醒我们，小市值溢价并不会在每个股票市场自动成立

很多人一看到没有显著 size premium，就容易下结论说这个因子在当地市场完全没东西可挖。但这篇论文没有这么收笔。作者进一步用 GARCH(1,1) 检验不同 size 组合的波动聚集，发现周频层面各组合都存在明显的 conditional heteroskedasticity，而月频层面则没有。这意味着‘小盘不一定更赚’和‘风险动态完全没差别’不是一回事。即便收益端的 size premium 没站住，风险端的波动结构仍然可能呈现出频率依赖的显著差异。

这对做因子工程的人尤其重要，因为很多研究流程过于依赖单一频率上的收益检验。一旦回测里没看到显著 alpha，就把题目直接扔掉。但如果一个市场在周频层面有稳定的波动聚集、月频层面却被时间聚合冲淡，那更合理的动作可能不是宣布因子死亡，而是回头检查你的持有期设计、波动约束、组合构建和风险预算方式。

这篇论文自己也很坦诚。它因为公开历史基本面数据不可得，最终没有把 value premium 一起完整做进去，而是把重点放在 size 和 volatility clustering 上。很多人会把这类限制当成论文的缺陷，但从实务角度看，这反而更接近很多新兴市场研究的真实处境：你不是没有理论，而是没有足够干净、连续、结构化的数据去把理论完整落实。数据缺口本身，就是这些市场里因子研究结果更不稳定的重要原因。

因此，读这篇论文时更该吸收的，不是‘菲律宾市场没有 size premium’这一句结论本身，而是这种结论背后的约束条件。只要数据可得性、组合构造方式和交易成本假设还不牢，你就不该把任何 anomaly 的移植看成理所当然。很多团队的问题，不是不会做因子，而是太容易把成熟市场教材里的结论直接平移到完全不同的数据环境里。

如果把它映射到课程体系，这篇论文最适合放进因子工程和高级因子评估模块，而不是放进‘又一个可直接拿来做选股’的案例库里。它提供的最好教学价值，是让学员看到：同一个 size 故事，在不同市场可能表现为收益失效但风险动态仍然有结构；同一个因子框架，离开美国市场后可能先死在数据基础设施上，而不是死在建模技巧上。

对于量化研究团队来说，这类论文最大的提醒是，做跨市场因子研究时，第一步往往不是上模型，而是先判断样本、交易频率和数据供应是否允许你复刻原有结论。很多看似在比较因子优劣的研究，其实更像在比较不同市场的数据成熟度。把这件事看清楚，比继续把 size premium 当成一条天然成立的经验律更重要。