我们检验了学术文献和实践中量化投资模型中常用的四个突出资产定价因子——价值、动量、carry和防御，并在一个世纪以来的六个资产类别中对其进行了研究。我们的方法利用了一个时间长、范围广的样本，与过去那些时间序列数据有限且倾向于只关注美国股票的尝试相比，具有一定优势。在我们的扩展数据集中，我们能够识别因子风险溢价和风险随时间的显著变化，并旨在了解这种变化的根源。换句话说，与因子投资挂钩的策略，如风格、Smart Beta和多因子组合，绩效会随时间发生显著的变化；我们对这种变化的根源和可预测性的评估，有助于改善基于这些概念的投资策略。

我们首先排除了这种变化的虚假或非经济根源，例如原始研究中数据挖掘的过拟合，从而提升了这些因子在样本外持续有效的可信度。我们还提出了一种新的检验，将数据挖掘的影响与因子溢价随时间变化的另一个潜在根源——套利者的知情交易——分开，并找到了与原始样本中某些过拟合一致的证据，但没有证据表明套利活动影响了这些因子的收益。我们进一步尝试通过利用我们的长时间序列和多个市场来提供大量经济冲击和事件，将因子变化与经济根源挂钩。然而，我们发现，因子收益在很大程度上与宏观经济风险无关，这表明这些市场中性因子面临着与传统资产类别不同的风险，因此正在传统资产配置策略的基础上进行多元化。

最后，在试图捕捉因子收益变化的过程中，我们检验了试图改进静态因子投资配置策略的因子择时策略。我们发现，在解决实施成本这一问题时，因子择时策略的有效性相对较低。因此，因子择时对多元化静态因子投资组合的边际效益似乎微乎其微。