というNBER論文が上がっている（ungated版）。原題は「The Statistical Limit of Arbitrage」で、著者はRui Da（インディアナ大）、Stefan Nagel（シカゴ大）、Dacheng Xiu（同）。
以下はその要旨。
We investigate the economic consequences of statistical learning for arbitrage pricing in a high-dimensional setting. Arbitrageurs learn about alphas from historical data. When alphas are weak and rare, estimation errors hinder arbitrageurs—even those employing optimal machine learning techniques—from fully exploiting all true pricing errors. This statistical limit to arbitrage widens the equilibrium bounds of alphas beyond what traditional arbitrage pricing theory predicts, leading to a significant divergence between the feasibleSharpe ratio achievable by arbitrageurs and the unattainable theoretical maximum under perfect knowledge of alphas.
（拙訳）
本稿では、高次元の設定における裁定価格の統計的学習の経済的帰結を調べる*1。裁定取引者は過去のデータからアルファについて学習する。アルファが弱くて稀な時、裁定取引者――最適な機械学習技法を適用している者でさえ――が価格付けの真の誤りをすべて完全に刈り取ることを推計誤差が妨げる。裁定のこの統計的な限界が、アルファの均衡における範囲を従来の裁定価格理論が予測する以上に押し広げ、裁定取引者が達成可能なシャープレシオと、アルファの完全な知識の下での到達不可能な理論的最大値との顕著な乖離をもたらす。
この論文のタイトルは当然Shleifer＝Vishny（1997）*2を意識していると思われるが、Shleifer＝Vishnyが行動ファイナンス的な側面から裁定の限界を論じたのに対し、こちらはアルファの統計的測定に限界があることから裁定の限界を導いている。
*1:結論部では「Rather than endowing arbitrageurs with perfect knowledge of DGP parameters, we expose them to the challenge of learning about alphas. Arbitrageurs in reality arguably face a high-dimensional world, with many assets and many alpha signals, which can make statistical learning difficult. ...While high-dimensional, the linear factor model environment that arbitrageurs face in our analysis is still quite simple. The gap between feasible and infeasible Sharpe ratios would further increase if arbitrageurs faced additional statistical challenges, e.g., model misspecification, omitted factors, weak factors, or a large non-sparse idiosyncratic covariance matrix.」と述べている。
*2:cf. 裁定の限界 - Wikipedia、フィッチ米国債格下げへの経済学者の反応 - himaginary’s diary。