信念、风险与量化投资流程

1. 从市场命题到可投资信念#

量化股票组合管理（Quantitative Equity Portfolio Management） 是以可重复执行的模型和规则，将决策时点可得的信息转化为股票收益预测、风险评估、组合权重和交易安排的投资管理方法。其业绩通常相对于预先指定的基准评价，并要求数据来源、决策过程和绩效结果能够追溯。覆盖大量股票只是常见特征，并非其定义本身。

可投资信念（Investable Belief） 是关于特定信息为何能够在给定期限内预测特定相对收益的可检验命题，并具有明确的组合表达方式与失效条件。

完整记录至少说明：定价偏差或风险补偿的来源；使用的可观察信息；预测收益的口径与期限；价格调整不充分的原因；组合表达方式；相关成本；降权或停用条件。“优质公司表现更好”没有界定质量、价格、期限和成本，不构成可投资信念。较完整的待检验表述可以是：“盈利预期上调尚未被价格充分吸收的股票，未来三个月相对行业基准可能具有正主动收益；组合按上调幅度排序建仓；若样本外结果持续呈现相反的收益排序，则停用该信号。”

横截面收益离散度（Cross-Sectional Return Dispersion） 是同一期间不同股票收益之间的分散程度。离散度决定可供排序策略捕获的收益差异，预测技能决定排序方向是否可靠；只有离散度而没有技能，组合只是在更大的随机差异上下注，只有技能而没有足够离散度，也难以形成具有经济意义的主动收益。

有效市场假说（Efficient Market Hypothesis, EMH） 认为，证券价格会及时且充分地反映指定信息集，投资者不能仅依靠这些信息持续获得异常收益。该假说讨论信息是否已经反映在价格中，并不要求价格在每一时点都等于证券的内在价值。

按价格被认为已经反映的信息范围，EMH 由窄到宽分为：

• 弱式有效（Weak-Form Efficiency）：证券价格已经反映历史价格、成交量等交易信息，单纯依据历史交易数据形成的技术分析规则不能持续获得风险与成本调整后的异常收益。
• 半强式有效（Semi-Strong-Form Efficiency）：证券价格已经反映全部公开信息，包括历史交易数据、财务报告、公司公告和新闻；在信息公开后再进行分析，不能持续获得异常收益。
• 强式有效（Strong-Form Efficiency）：证券价格已经反映公开与非公开的全部信息，即使掌握内部信息也不能持续获得异常收益。这是信息范围最广、经验争议也最大的一种形式。

异常收益（Abnormal Return） 是证券实际收益相对指定基准或风险模型所给正常预期收益的超出或不足部分，因而可以为正，也可以为负。单期异常收益可能来自随机冲击；只有在预先规定的检验规则下稳定出现，才构成评价市场有效性的经验证据。

异常收益检验同时检验了市场有效性和所选风险模型：若收益看似异常，既可能是价格没有充分反映信息，也可能是风险模型漏掉了应得的风险补偿。数据窥探、幸存者偏差或不可交易股票也会制造虚假异常。

收益预测需要回答三个互不替代、但可以同时成立的问题：收益是否补偿系统性风险，价格是否存在行为性偏离，管理者是否具有处理信息的相对优势。研究协议应预先写明主导机制及其可证伪预测，而不是观察到相关性后补写故事：

• 风险补偿（Risk Compensation）：投资者因承担难以分散、且可能在不利市场状态下造成损失的系统性风险而要求的额外预期收益。此类收益不属于定价错误；不利状态下的损失是获得风险补偿所对应的经济代价。
• 行为性定价偏差（Behavioral Mispricing）：投资者因有限注意、错误更新或情绪交易而对信息反应不足或反应过度，使证券价格暂时偏离其基本面价值。偏差的持续时间取决于套利活动所面临的风险、资金、卖空和期限约束。
• 信息处理优势（Information-Processing Advantage）：管理者凭借更及时的数据、更有效的模型或更可靠的实施方式，较其他市场参与者更准确地提取信息并形成收益预测。数据普及、策略模仿、交易拥挤和制度变化均可能使这一优势衰减。

收益离散度、预测技能、经济机制、跨学科工具和实施纪律共同构成主动管理系统。横截面没有足够收益离散度时，即使排序方向正确，也缺少可捕获的价差；模型没有经济锚点时，样本拟合不能说明未来为何延续；预测没有进入可成交头寸时，也不会形成净主动收益。

2. 行为金融#

异常收益只说明实际收益偏离了基准模型，不能直接说明偏离来自投资者非理性。

行为金融（Behavioral Finance） 是研究认知偏差、情绪和社会互动如何通过交易行为影响证券价格，并分析理性套利者为何未能及时纠正价格偏离的领域。其基本解释框架是：

行为偏差形成系统性交易与价格压力 + 套利限制阻碍价格纠正 → 定价偏差及可能的异常收益

在个体决策层面，首先需要区分两类用途不同的模型：

• 规范模型（Normative Model）：以理性公理和既定目标为基础，规定决策者应当如何选择。期望效用模型是典型的规范模型，用于评价选择是否具有一致性，并为识别现实行为偏差提供理性基准。偏离规范模型不必然意味着非理性，也可能源于模型遗漏的信息、风险或现实约束。
• 描述模型（Descriptive Model）：刻画决策者实际上如何形成信念、评价结果并作出选择。它允许认知偏差、情绪和情境效应使真实行为系统性偏离规范基准，重点在于解释和预测实际选择，而不是规定最优选择。

前景理论（Prospect Theory） 是描述模型的一种，以参照点而非最终财富水平评价得失，并以损失厌恶、价值敏感度递减和非线性概率权重刻画风险选择。同等金额的损失通常比收益产生更强的心理影响。前景理论可以解释处置效应等选择偏差，但本身不是直接预测证券收益的资产定价模型。

个体偏差要形成异常收益，还必须经过市场交易和价格形成过程。即使部分投资者推动价格偏离基本面，理性交易者原则上仍可能通过套利使价格恢复。

套利限制（Limits to Arbitrage） 是风险、成本和制度约束使理性交易者无法充分或及时纠正错误定价的市场机制。没有完全替代证券会产生基本面风险；错误定价在收敛前继续扩大会产生噪声交易者风险；卖空限制、融资约束、交易成本和投资者赎回还可能迫使套利者缩小或提前结束头寸。因此，“价格最终回归”不等于套利者能够在期限内无风险获利。

完整的行为解释既要说明投资者为何造成价格偏离，也要说明套利者为何不能立即消除偏离，并提出可检验的经验预测。例如，若某种异常确由行为偏差和套利限制共同造成，它通常应在散户交易较多、信息不透明、流动性较差或卖空约束较强的证券中更加明显。若这些预测不成立，候选机制就需要被修正或否定。

个体层面的行为假设可按信息处理、判断校准和偏好控制三个环节区分：

• 启发式简化（Heuristic Simplification）：指投资者因注意、记忆和计算能力有限，以经验规则代替完整的信息处理。狭窄框架、心理账户和代表性判断均属于常见表现。
• 自我欺骗（Self-Deception）：指投资者以系统性偏差维护对自身判断的有利认识。过度自信会高估预测精度，过度乐观会低估不利结果，偏差性自我归因则倾向于将成功归因于技能、将失败归因于外部因素。
• 情绪与自我控制（Emotion and Self-Control）：指情绪状态或即时偏好改变风险判断与交易选择，使相同信息在不同状态下引发不同反应。

三类代表性行为模型是同一层级的竞争解释，均由行为假设推导短期收益延续与长期反转，但采用的投资者类型和信息处理机制不同：

• Daniel–Hirshleifer–Subrahmanyam 模型：知情投资者对私人信息过度自信，并通过偏差性自我归因逐步强化信念。持续增强的过度反应形成短期同向收益，价格最终回归基本面时形成长期反转。
• Hong–Stein 模型：信息在消息观察者之间扩散缓慢，先产生反应不足与短期动量；只依据历史价格交易的动量交易者随后加入，套利活动可能把价格推至过度反应，最终形成长期反转。
• Barberis–Shleifer–Vishny 模型：投资者在趋势与反转两种状态之间错误更新信念。保守主义使其低估单次新信息并造成公告后漂移，代表性偏差使其对连续同向信息过度外推，价格回归时形成长期反转。

这些模型是条件命题，不是对动量或反转的唯一解释。机制检验还要验证信息时点、投资者分组、状态依赖和套利成本；只复现收益形状，不能在竞争模型之间完成识别。

3. 收益、alpha 与信息集#

总收益是持有期的基础观测，超额收益和主动收益分别通过无风险资产与投资基准重新表达总收益；alpha 则是在风险模型下定义的条件预期量，不是第四种并列的实现收益。研究协议必须分别固定参照对象、信息集和期限。

总收益（Total Return） 是证券在持有期内由价格变动和股息等现金分配共同形成的完整收益。例如价格上涨 5%、股息收益率为 2% 时，忽略再投资差异的总收益约为 7%。

超额收益（Excess Return） 是资产总收益减去同期无风险收益或预先指定资金成本的差额，用于衡量相对于无风险投资获得的收益。参照利率必须与持有期和计价货币一致。

主动收益（Active Return） 是组合收益减去同期指定基准收益的差额，即 $r_A=r_P-r_B$。组合收益为 8%、基准收益为 10% 时，主动收益为 $-2\%$；主动收益可以包含有意风险暴露的回报、真正的 alpha 和随机冲击。

阿尔法（Alpha） 是在给定信息集、基准、风险模型和预测期限下，不能由市场、行业或风格等风险暴露解释的条件预期收益。它是预期主动收益中扣除模型所给正常风险补偿后的剩余部分；本章默认指成本前预测量，而非事后实现收益。

股票一期实现收益可拆为条件期望与意外冲击：

• $i$ 表示股票，$t$ 是决策时点，$t+1$ 表示与预测期限匹配的期末。
• $r_{i,t+1}$ 是该期限的实现总收益，单位可为小数或百分比，但全文必须统一。
• $E_t(\cdot)=E(\cdot\mid\mathcal I_t)$ 是基于时点 $t$ 信息集 $\mathcal I_t$ 的条件期望；信息集只含当时已经发布且能够处理的数据。
• $\varepsilon_{i,t+1}$ 是相对该信息集的意外冲击，条件均值为 0；样本残差不必在每一期或每只股票上等于 0。

以基准为参照的单只股票主动收益生成式可写为：

• $r_{b,t+1}$ 是同期限基准总收益。
• $\alpha_{i,t}$ 是时点 $t$ 对股票 $i$ 的一期条件 alpha，单位与收益一致。
• $\boldsymbol\beta^A_{i,t}$ 是 $K\times1$ 的股票相对基准因子暴露向量，$\mathbf f_{t+1}$ 是 $K\times1$ 的同期因子收益向量。
• 上式的 $\varepsilon_{i,t+1}$ 是给定基准和风险模型后的特质冲击；它与不含风险模型时的预测误差属于不同口径。

由条件均值假设可得：

实现样本的回归截距 $\hat\alpha_i$ 是 alpha 的估计量，不是 alpha 本身。更换基准、风险模型、信息集或预测期限会改变估计对象；风险模型遗漏时，截距会吸收未解释暴露。alpha 以后若被可复制的系统性暴露解释，经济分类也会随模型更新而改变。

若全体投资者都以其共同持有的总市场为基准，主动权重按资本加总为 0，成本前主动收益也是零和恒等式；交易、研究和管理成本使总体成本后主动收益小于 0。该恒等式说明 alpha 稀缺且在投资者之间重新分配，不说明任何单一管理者必然没有可重复技能。

4. 量化与基本面是编码方式之别#

• 量化投资流程（Quantitative Investment Process）：将数据处理、收益预测、风险控制、组合构建、交易实施和绩效归因组织为可重复执行的决策体系，通常以统一方法覆盖较大的股票集合。
• 基本面投资流程（Fundamental Investment Process）：通过分析公司的经营活动、财务报表、估值和竞争环境形成证券判断，通常侧重较少公司及其具体经营情境。

二者并不以“是否使用模型”区分。基本面研究可以使用折现现金流和决策规则，量化模型也需要会计口径与经济机制。主观判断在量化流程中主要进入变量选择、模型结构、约束、压力情景和预先规定的人工覆盖规则；临场改写模型却不保存理由，会破坏可复现性。

1. 从不确定性到风险偏好#

不确定性（Uncertainty） 是未来可能结果及其发生概率无法被可靠识别或估计的状态。例如市场制度发生重大变化时，既有历史样本可能不足以支持稳定的概率判断。

风险（Risk） 是未来结果尚未确定，但可以通过概率分布或明确情景描述其可能结果、发生概率及损失幅度的决策状态。风险是对不确定性的形式化表达，所用概率通常来自估计而非已知事实，因此模型误差仍需单独管理。

风险度量（Risk Measure） 是把风险分布的某一特征映射为可比较数值的指标。波动率描述整体离散程度，跟踪误差描述相对基准的偏离，尾部损失和压力损失侧重极端不利结果；不同指标不能相互替代。

风险预算（Risk Budget） 是投资者依据投资目标和风险偏好，对组合可承担的风险总量及其在行业、因子或策略之间分配方式作出的事前规定。风险度量回答“风险有多大”，风险预算回答“允许承担多少以及由谁承担”。

概率分布描述“可能发生什么”，投资偏好决定“怎样取舍”。期望效用框架把投资者对终值财富的排序写为：

• $\mathbf w_t$ 是时点 $t$ 选择的组合权重，$\mathcal W_t$ 是投资授权允许选择的全部组合构成的可行集合。
• $W_{t+1}$ 是投资期限末财富，$U(\cdot)$ 是表示投资者对不同财富结果偏好程度的效用函数。
• 边际效用递减表示财富增加时，新增一单位财富带来的效用增量下降；在期望效用框架下，这一性质对应风险厌恶。风险厌恶程度还会受到负债、赎回和考核期限影响。
• 只用均值和方差比较组合需要收益分布或偏好满足相应条件；两个组合即使均值和方差相同，尾部损失、流动性和模型风险仍可能不同。

风险预算必须可执行。例如“年化事前跟踪误差 4%”依赖协方差模型；“单一行业主动风险贡献不超过 25%”依赖行业分类；“压力情景损失不超过资本的 10%”依赖情景设定。三项指标没有互换关系。

2. 基准、主动权重与 beta#

基准（Benchmark） 是用于评价组合收益与风险的预先指定参照组合，例如宽基指数、行业指数或现金。基准应与投资范围和管理目标一致；事后更换基准会同时改变主动收益、主动风险和绩效责任的口径。

主动权重（Active Weight） 是组合权重相对基准权重的偏离，即组合权重减去基准权重。某股票在组合与基准中的权重分别为 5% 和 3% 时，主动权重为 $+2\%$，表示相对高配；负值表示相对低配。

跟踪误差（Tracking Error, TE） 是主动收益的标准差，用于衡量组合收益相对基准收益的波动程度。事前 TE 由投资决策时的协方差模型估计，事后 TE 由实现主动收益序列估计；TE 为 4% 并不表示组合相对基准的最大损失为 4%。基准先定义相对评价对象，主动权重描述持仓偏离，跟踪误差再汇总这些偏离造成的收益风险，三者属于依次派生的关系。

对含 $n$ 只股票的完全投资组合，主动权重与事前跟踪误差为：

• $\mathbf w_t$、$\mathbf w_{b,t}$ 和 $\mathbf h_t$ 均为 $n\times1$ 列向量，分别表示总权重、基准权重与主动权重。
• $\boldsymbol\Sigma_t$ 是时点 $t$ 对同一持有期股票收益的 $n\times n$ 条件协方差矩阵，元素单位为收益率平方。
• 组合与基准均完全投资时，$\mathbf1^{\prime}\mathbf h_t=0$，表示资金中性；它不表示市场 beta 中性、行业中性或多空总敞口为 0。

贝塔（Beta） 是资产收益对指定市场代理收益的一阶线性敏感度，用于描述资产与市场的共同波动。beta 为 1 表示市场收益变动 1% 时，资产收益平均同向变动约 1%；beta 为 0 表示没有一阶线性市场暴露，负 beta 表示平均反向变动。beta 描述风险暴露，不直接等同于预期收益。总体市场 beta 为：

• $r_i$ 与 $r_M$ 是同频率、同估计窗口的股票收益和市场代理收益，$\operatorname{Var}(r_M)>0$。
• $\beta_i$ 是总体参数；用有限样本回归得到的 $\hat\beta_i$ 是依赖市场代理、频率和窗口的估计量。

资本资产定价模型（Capital Asset Pricing Model, CAPM） 是在无摩擦市场、投资者同质预期且共同持有市场组合等假设下，以市场 beta 解释证券均衡预期收益的单因子定价模型：

$r_f$ 是与投资期限和计价货币一致的无风险收益，$E(r_M)-r_f$ 是市场风险溢价。beta 衡量证券承担的市场风险数量，市场风险溢价衡量每单位该风险的预期补偿；二者不能互换。该式描述单只证券和组合的证券市场线（Security Market Line, SML），而资本市场线（Capital Market Line, CML） 使用总波动率，只描述无风险资产与市场组合构成的有效组合。相对该定价式稳定为正的条件预期剩余才是模型意义上的 alpha，单期实现收益高于模型值仍可能只是随机冲击。

CAPM 的两基金分离结论意味着，在模型假设成立时，风险偏好只改变无风险资产与市场组合的配置比例，不要求投资者挑选不同股票。指数化投资由此以较低成本提供市场 beta，主动管理则必须相对适当基准证明其收益不是可廉价复制的 beta；这也是绩效评价需要把 alpha 与 beta 分开的原因。

beta 中性主动组合满足 $\boldsymbol\beta^{\prime}\mathbf h=0$，只消除指定模型下的一阶市场暴露。行业、风格、波动率、流动性与尾部暴露仍可能存在。基准本身也可能集中或不匹配负债；相对基准风险较小，不等于绝对损失风险较小。

以现金为基准的多空组合也不自动成为市场中性组合。多头市值与空头市值相等只表示美元中性；若两侧 beta 不同，$\boldsymbol\beta^{\prime}\mathbf h$ 仍可能不为 0，融资、借券与总敞口风险也不会因净投资接近 0 而消失。

3. 技能、广度与转移效率#

信息捕获从预测技能和独立机会出发，经组合约束后形成持仓，最终以组合信息比率评价。IC、广度和 TC 是不同环节的决定因素，IR 是组合层面的结果指标，四者不是同一层级的并列度量。

信息系数（Information Coefficient, IC） 是同一决策时点上，股票预测值与随后实现的风险调整收益之间的横截面相关系数，用于衡量预测的截面辨别能力。正值表示较高预测通常对应较高后续收益，负值表示预测方向可能相反。Pearson IC 衡量线性关系，Spearman IC 衡量排序关系；使用时还必须说明预测期限和收益口径。

有效广度（Effective Breadth, BR） 是一个评价期内相互独立的风险调整预测机会数量。股票收益相关、信号相关或持有期重叠都会使有效广度低于名义股票数量；研究 100 只高度相关的股票并不等于获得 100 个独立机会。

信息比率（Information Ratio, IR） 是组合主动收益相对于跟踪误差的风险调整绩效指标。事前 IR 的分子是预期主动收益，分母是事前跟踪误差；事后 IR 的分子是样本平均主动收益，分母是实现主动收益的样本标准差。收益均值与波动率必须采用一致的频率和年化口径。原始主动管理基本定律在预测质量相同、证券机会相互独立、风险模型正确且头寸按统一风险尺度构建等理想条件下写为：

$N$ 是独立证券机会数。现实中机会存在相关性，应以 $BR$ 替代名义数量 $N$；单纯增加股票数量不能创造独立广度，提高目标风险也不会自动提高 IR。

转移系数（Transfer Coefficient, TC） 是受约束持仓与无约束最优持仓在风险调整意义下的方向一致程度，用于衡量预测向组合的传递效率。TC=1 表示预测几乎完整进入组合，接近 0 表示大部分预测受到约束，负值表示实际持仓整体背离预测方向；数学范围为 $[-1,1]$。加入相关机会与组合约束后，诊断近似扩展为：

该式不包含交易成本，也不是收益保证。若平均 $IC=0.04$、$BR=100$、$TC=0.75$，则约束前 $IR\approx0.04\times10=0.40$，约束后 $IR\approx0.30$。在年化跟踪误差为 5% 的同口径目标下，对应的年化预期主动收益约为 $0.30\times5\%=1.5\%$；成本、参数误差或机会相关性低估还会进一步降低可实现结果。

原式是单期关系。多期管理还要估计 $IC_t$ 的波动和自相关：平均 IC 相同的模型，技能越不稳定，事后主动收益和跟踪误差越可能偏离事前目标，实现 IR 也可能更低。多个 alpha 因子只有在 IC 的跨期变化不完全同步时才能降低复合预测的技能波动；因子值相关与 IC 相关不是同一对象。换手约束虽然控制成本，却会阻止短期限预测及时进入组合，长期信号受影响可能较小。第 4 章展开多期 IR 与有效广度，第 7 章展开多因子预测的分散化，第 11 章展开约束与 TC。

无条件、全股票共用同一系数的模型隐含“所有股票在所有状态下对信号作相同反应”。条件 alpha 模型可用下式表示全书后续处理的两类异质性：

• $s_{i,t}$ 是时点 $t$ 对股票 $i$ 的基础信号，方向和标准化方法必须预先规定。
• $\mathbf z_{i,t}$ 是股票自身情境，例如行业、盈利结构或生命周期；$\mathbf m_t$ 是所有股票共享的市场或宏观状态。
• $g(\cdot)$ 是只用时点 $t$ 可得信息估计的映射；增加交互项和非线性可以捕获条件差异，也会扩大过拟合与状态样本不足风险。

第 9 章处理股票情境与非线性，第 10 章处理因子有效性的时变状态。

1. 五个组件形成反馈闭环#

• Alpha 模型（Alpha Model）：利用决策时可得信息，估计每只股票在指定期限内相对基准的条件预期收益。模型可以输出“A 的一期预期主动收益为 $+1\%$”，但该预测尚未决定具体持仓规模。
• 风险模型（Risk Model）：估计股票对市场、行业和风格等共同风险的暴露、共同风险之间的协方差以及股票特质风险，并据此评价组合的条件风险。模型结果取决于因子结构、估计窗口和数据质量。
• 组合优化（Portfolio Optimization）：在资金、行业、持仓、换手和流动性等约束下，综合预期 alpha、组合风险与交易成本，求取目标持仓的决策程序。其输出是计划持仓，而非已经实现的成交头寸。
• 组合实施（Portfolio Implementation）：将目标持仓与当前持仓之差转化为交易数量、执行顺序、限价和执行期限，并通过订单形成实际成交的过程。实施过程需要管理价差、市场冲击、延迟和未成交风险。
• 绩效归因（Performance Attribution）：依据预先规定的模型，将事后收益分解为证券选择、市场或行业暴露、投资约束、交易成本和剩余项的分析过程，用于检验各项事前决策的实际效果。

alpha 因子与风险因子按决策角色区分，不按变量名称区分。同一个价值暴露既可能承载有意获取的预测收益，也可能造成需要限制的组合集中；完全中和会删除投资信念，完全放任又可能让单一暴露支配风险。优化器应在预测收益证据与风险预算之间决定保留多少有意暴露，并把其收益与风险同时归因。

预测方向正确而净收益失败并不矛盾，归因必须定位损耗发生在哪一次转换：

• 数据到预测会受延迟、修订、缺失和过拟合影响；
• 预测到持仓会受相关信号、风险中和与持仓边界影响；
• 持仓到订单会受当前头寸、现金流和最小交易量影响；
• 订单到成交会受价差、冲击、延迟和未成交影响。

2. 研究协议与时点数据#

时点数据（Point-in-Time Data） 是按照每个历史决策时点保存当时实际可获得的数据版本，而不是使用后续修订值重建历史。例如公司在 4 月 30 日发布年报，则 1 月至 4 月 29 日的回测不得使用其中数据，后续修订值也不得回填至首次发布日期之前。每个字段至少保存经济含义、单位、观测期结束日、首次发布日期、修订时间、供应商版本和策略允许使用日。

研究开始前固定股票池、基准、预测对象、持有期、调仓频率、标签定义、评价指标和成本范围。财报期末日不是市场获知日；当前指数成分不能回填历史；退市收益、并购、拆分和行业重分类不能因数据库缺失而删除。

训练、验证与测试区间按真实时间顺序分开：训练期估计参数，验证期选择复杂度与超参数，测试期只评价锁定后的流程。反复查看测试结果再修改模型会把测试期转化为训练期。信号、股票池、期限、中性化和缺失值方案的尝试次数都进入多重检验记录。

3. 预测、风险与成本必须版本一致#

每个决策时点的预测、协方差、基准、当前持仓和成本参数必须来自当时可用版本。一个以组合收益率计量的主动目标为：

• $\boldsymbol\alpha_t$、$\mathbf h$ 与 $\mathbf h_{0,t}$ 均为 $n\times1$ 列向量，分别是同一持有期的预期主动收益、目标主动权重与当前主动权重。
• $\boldsymbol\Sigma_t$ 是该持有期的 $n\times n$ 条件协方差矩阵，应检查半正定性、条件数和估计稳定性。
• $\lambda>0$ 是把收益方差惩罚转换为目标函数单位的风险厌恶参数；其数值随收益与风险的计量约定变化。
• $C_t(\mathbf h-\mathbf h_{0,t})$ 是完成主动权重变化的预期成本，占组合资产的比例；若用货币计量，则前两项也必须转换为货币。

目标还需加入资金、行业、持仓、杠杆、换手和流动性约束。输入维度一致并不表示估计可靠：alpha 误差会放大头寸，协方差误差会制造虚假分散化，成本低估会导致过度交易。收缩、稳健优化和压力情景用于检验参数扰动是否改变决策方向。

例：从信念到成本后决策

模型预测 A 相对 B 的一期 alpha 差为 2%，无成本目标是高配 A 5%、低配 B 5%。若组合仅多头且 B 的基准权重只有 2%，则 $h_B\ge-2\%$；资金中性要求 $h_A=-h_B$，可表达头寸只能是 $h_A=2\%$、$h_B=-2\%$。总主动敞口从 $|5\%|+|-5\%|=10\%$ 降为 4%，毛预期主动收益为 $2\%\times2\%=0.04\%=4\text{ bp}$。若一次性预期交易成本为 8 bp，成本后预期贡献在计入风险惩罚前已是 $4-8=-4\text{ bp}$，此时不交易优于机械执行预测。

4. 归因、治理与继续投入资本#

投资治理（Investment Governance） 是对数据、研究、组合决策、交易执行、风险监督和绩效评价的职责、权限与复核程序作出事前安排的控制体系。它要求模型变更、人工覆盖和策略停用具有明确责任人、审批边界与审计记录，并通过职责分离降低自我评价和事后修改规则的风险。

研究团队负责信号假设与样本外证据，组合经理负责预测到持仓的映射和覆盖决定，交易团队负责执行记录，数据与工程团队负责版本和血缘，风险与合规团队独立监控授权边界，绩效团队按冻结口径完成归因。每次人工覆盖至少记录决策人、时间、原目标、修改幅度、理由、有效期限和复核结果。

事后审计至少保留预测快照、目标持仓、实际持仓、订单、成交、成本估计和基准版本。主动收益可按决策目的分为风险因子收益、特质选股收益、约束差额、交易成本和剩余项；归因模型与事前风险模型不一致时，应单列模型差异，不能把未解释残差全部命名为选股 alpha。

一条信号继续占用资本应同时满足：决策时数据可得；样本外预测方向与机制相容；收益不是单一已知风险暴露的重命名；在约束下能够形成足够头寸；价差、冲击、借券和机会成本后仍有正净效用；压力状态损失没有超出预设机制；失败指标能触发降权、复核或停用。