信念、风险与量化投资流程

1. 从看好一家公司到可检验的投资命题#

一家公司的盈利改善，为什么不一定使买入它的投资者赚钱？股票价格可能早已反映改善，也可能隐含了更乐观的预期。投资判断必须同时涉及公司将发生什么，以及当前价格已经反映什么；只判断公司好坏，还没有形成关于股票收益的判断。

投资信念（Investment Belief）：关于收益机会从何而来、哪些信息能够识别机会，以及如何承担相应风险的投资命题。它不是不可更改的观点，而是决定研究什么、怎样检验和何时放弃的出发点。

例如，“盈利改善的公司值得买入”可以改写为：当盈利预期已经上调、价格尚未充分吸收新增信息时，上调幅度较大的股票随后一个季度可能相对同类股票表现较好。 这句话提出了信息处理不足的机制，也限定了预测对象和期限。要检验它，还须规定怎样度量预期上调、何时允许使用数据、与哪些股票比较，以及成交成本是多少。若同样的信息已被价格充分吸收，或收益差不足以覆盖交易成本，这个理由便不能支持交易。

量化股票组合管理（Quantitative Equity Portfolio Management）：以明确、可重复执行的模型和规则，将决策时可得信息转化为收益预测、风险估计、组合权重与交易安排的投资管理方法。它把上述投资命题转化成一连串可以检查的决定，而不是把“看好 A”直接改写成“买入 A”。¹

贯穿本章的自拟例只包含股票 A、B，所有数字都是教学设定。某季度开始时，已公开资料显示 A 的盈利预期上调，B 没有相应改善；一个事先确定的预测规则给出 A 相对 B 下一季度的预期收益差为 2%。这不是说 A 必定上涨 2%，也不是说盈利预测本身上调了 2%。它是将公司信息转换成股票相对收益预测后的输出。后续还要决定，相对多持有多少 A、从哪里取得资金，以及预测错误时会损失多少。

基本面分析（Fundamental Analysis）：依据公司的经营、财务、竞争环境与估值关系判断证券价值的研究方法。盈利预期这个信号就来自基本面分析，而按统一规则处理它属于量化流程。两者并不互斥；主观判断可以进入机制选择、变量构造与模型修订，但不应在没有记录的情况下反复替换模型输出。

2. 收益差异、市场有效性与真正的信息优势#

选股必须有股票之间的收益差异，但事后差异大不等于期初容易预测。A 比 B 多涨 12%，只说明当期存在很大的结果差异；一个没有识别能力的投资者仍可能持有更多 B。

横截面收益离散度（Cross-Sectional Return Dispersion）：同一期间不同股票实现收益的分散程度。这里固定的是时间，比较的是股票；它不同于一只股票在多个期间的收益波动。离散度提供选股可能利用的空间，识别其中哪些差异才是预测技能。

为什么还要研究市场有效性？因为任何预测规则都隐含了一个判断：自己使用的信息尚未被价格充分处理。有效市场假说（Efficient Market Hypothesis, EMH）：证券价格充分反映某一指定信息集的市场命题。按这个信息集的范围，可以区分：

• 弱式有效（Weak-Form Efficiency）：价格已反映历史价格、成交量等交易信息，仅利用这些信息不能持续取得风险与成本调整后的异常收益。
• 半强式有效（Semi-Strong-Form Efficiency）：价格已反映全部公开信息，财报和新闻公开后，单纯重复处理这些信息不再带来可持续的异常收益。
• 强式有效（Strong-Form Efficiency）：价格进一步反映非公开信息；这是更强的理论命题，不构成使用内幕信息的许可。

盈利信息公开后仍能预测相对收益，可能与半强式有效相冲突，也可能只是研究者没有正确计量风险。异常收益（Abnormal Return）：实现收益减去指定模型所给正常收益的差额。正常收益依赖模型，因此“发现异常”同时检验了市场有效性和正常收益模型。遗漏风险补偿、反复筛选样本或使用不可成交价格，都可能制造看似异常的结果。

风险补偿（Risk Compensation）：投资者为承担难以分散、尤其可能在不利状态下造成损失的风险而要求的额外预期收益。高收益若来自这种暴露，并不等于价格犯错。与之不同，**信息处理优势（Information-Processing Advantage）**是管理者在获取、解释或实施信息方面形成的相对决策优势。前者说明为什么承担风险可能获得报酬，后者说明为什么这一管理者可能优于具有相同风险的替代方案。

因此，经济机制只能提供值得检验的理由，不能代替样本外证据。即便曾经有效，信息普及、其他投资者模仿或成本上升也可能消除优势；收益具有某种可预测性，同样不必然否定有效市场，因为正常风险溢价本身也可能随状态变化。

3. 行为偏差为什么可能持续影响价格#

盈利信息没有被立即吸收，可以从注意不足、固有判断更新缓慢等行为机制出发解释。但一个人判断错误，并不意味着整个市场长期定错价格：其他交易者可能识别错误并交易。因此，行为解释需要同时回答“谁会以相似方式犯错”和“为什么纠偏交易不足”。

行为金融（Behavioral Finance）：研究认知偏差与情绪如何影响金融决策、交易和价格，并解释理性交易为何未能及时纠正价格偏离的研究领域。它经常比较两种不同任务的模型：**规范模型（Normative Model）**规定给定目标和一致性条件下应怎样选择，**描述模型（Descriptive Model）**解释人们实际上怎样选择。

期望效用属于前一种基准：先给不同财富结果赋予效用，再按概率加权比较。前景理论（Prospect Theory）：以相对参照点的得失、损失厌恶、价值敏感度递减和非线性概率权重描述风险选择的模型。它改变了如何解释人的选择，但本身没有直接给出某只股票明天的价格；从选择偏差到价格变化仍需交易和市场机制。

信息处理中的偏差可按其作用环节组织：

• 启发式简化（Heuristic Simplification）：受注意、记忆和计算能力限制，以简化规则处理信息。狭窄框架、心理账户或代表性判断，可能让相关信息被割裂或让短期表现被过度外推。
• 自我欺骗（Self-Deception）：以有利于自身的方式评价判断能力。过度自信高估预测精度，过度乐观低估不利结果，偏差性自我归因将成功归于技能、失败归于外部原因。
• 情绪与自我控制（Emotion and Self-Control）：情绪状态及即时偏好改变风险评价和交易选择，使相同信息在不同情境下引发不同决定。

纠正偏差也不是无成本的。套利限制（Limits to Arbitrage）：风险、成本和资金约束使纠正错误定价的交易不能充分或及时进行的机制。看空一只被高估的股票，需要能够借到股票并维持融资；替代证券并不完全相同，会留下基本面风险；价格继续偏离又可能触发赎回或追加保证金。交易者即使最终判断正确，也可能在价格收敛前被迫退出。“最终回归价值”不能据此改写成“现在能够无风险获利”。

4. 同样的动量与反转，可以来自不同机制#

动量（Momentum）：收益在指定期限内表现出延续方向的现象；反转（Reversal）：此前相对表现与随后收益呈相反方向的现象。一个发生在短期、一个发生在长期时，两者可以同时存在，而不是相互否定。

收益延续既可能是价格还没有充分反应，也可能是过度反应仍在扩大。这种区别会影响研究者寻找什么证据：前者应观察消息传播和注意变化，后者应观察信心、交易与价格偏离如何累积。三类行为模型给出了不同的连接方式：

这些机制对应本章来源的行为金融附录及表 1.1。¹ 在 A 的例子中，单次盈利上调后继续上涨，与多种机制都可能相容；仅靠收益曲线无法决定哪一种解释正确。需要进一步观察消息类型、投资者行为、信息扩散和资金约束，并固定股票池及期限检验，不能把“存在动量”直接当作当前买入的理由。

1. 预测如何变成相对持仓和实现收益#

已有“A 相对 B 预期多赚 2%”的判断，仍不能决定 A 应占多少仓位。先要规定管理者是追求绝对收益，还是在一个既定组合上进行改进。

基准（Benchmark）：事前指定、与投资范围及管理目标相匹配的收益与风险参照组合，可以是股票指数或现金。基准规定比较对象，不能在结果出现后改成一个更容易战胜的组合。教学例把 A、B 各持有 50% 的组合设为基准，并将其作为这个两资产市场的市场组合。

假设候选持仓为 A 占 75%、B 占 25%，而不是全仓买入 A。主动权重（Active Weight）：总组合权重减去对应基准权重的差额。该候选组合相对高配 A 25 个百分点、低配 B 25 个百分点，尽管两只股票的实际持仓都是多头。

在单期买入持有、不发生外部现金流、暂不计成本时，总收益是期初权重对资产收益的加权和。设 $r_{A,t+1}$、$r_{B,t+1}$ 是两只股票从时点 $t$ 到 $t+1$ 的简单总收益，则：

这里 $P$ 表示管理组合，$b$ 表示基准；下标 A、B 始终表示股票。相对收益由最后一式给出：只有偏离基准的部分，才把预测的相对收益差变成主动收益。预测差为 2% 时，这组候选权重的预期主动收益为 $0.25\times2\%=0.5\%$。75% 只是等待风险与成本审查的教学候选值，不是由该预测自动推出的最优权重。

假设随后第一季度 A 实现 11%、B 实现 −1%，则组合实现 8%、基准实现 5%，主动收益为 3%。预测的 0.5% 和实现的 3% 不是同一对象：前者在交易前形成，后者包含期间的新信息和随机冲击。一次实现收益比预测高，并不证明模型已经校准准确。

2. 总收益、超额收益与主动收益为何不同#

总收益（Total Return）：持有期内价格变动与股息等现金分配共同形成的完整回报。超额收益（Excess Return）：相对指定参照收益的差额；本章将参照对象固定为同期限无风险收益。主动收益（Active Return）：投资组合收益减去同期基准收益的差额。它们比较的对象不同，不能因为都被口头称为“多赚的钱”就混用。

设期初可以锁定的该季度无风险收益为 1%，则上述例子的三种结果是：总收益 8%，超额收益 $8\%-1\%=7\%$，主动收益 $8\%-5\%=3\%$。对任意同口径组合，这两种相对收益分别为：

$r_{f,t}$ 为期初已知的同期限无风险收益，上标 $e$、$act$ 分别表示超额和主动；所有收益使用同一币种、期限和现金分配口径。这里无风险收益减去的是持有资金的机会成本，基准收益减去的是“不做主动偏离也会获得的回报”。

基准即使下跌，管理者仍可能取得正主动收益；这不意味着客户没有亏钱。反之，总收益很高也可能只是市场普涨。若全体投资者以共同持有的总市场为基准，按期初资本加权的成本前主动收益合计为零，正成本使总体相对结果下降。这是给定市场和计量口径下的加总关系，不是任意风险模型下 alpha 都为零的证明。

多期比较还须区分算术平均和财富增长。四个季度收益的平均值用于描述典型单期结果，四季度实际财富则按各期总回报倍数相乘；两者的关系由第二章第一节展开。

3. 为什么还要从主动收益中分离 beta 与 alpha#

高配 A 可能同时带来更大的市场敏感度。若 A 在市场上涨时往往涨得更多，那么本例的主动收益可能部分来自加大市场风险，而不是盈利信息的识别优势。

贝塔（Beta）：资产相对于指定市场超额收益的线性敏感度。beta 为 1.5，表示在线性模型中，市场超额收益每增加 1 个百分点，资产的对应解释收益增加 1.5 个百分点；这不是价格弹性，也不是因果效应。阿尔法（Alpha）：在指定信息集、期限和风险模型下，期望收益中超出模型正常风险补偿的部分。更换风险模型后，原先的 alpha 可能被重新解释为遗漏风险的报酬。

为评价已经完成的投资，先把每个历史期的组合超额收益分成截距、市场解释部分和剩余：

$s$ 表示已结束的评价期，$T$ 为期数；$M$ 为指定市场，$a_P$ 为固定截距，$\beta_P$ 为窗口内固定的斜率，$\varepsilon_{P,s}$ 为这一模型未解释的部分。选择一条与观测点的平方偏离最小的直线，就得到历史回归估计；帽号表示根据有限数据估出来，而不是已知真值。回归截距 alpha（Regression Alpha）：给定样本和收益模型后，对平均风险调整收益估计得到的截距。

沿用 A、B 与上述权重，假设四个季度开始时都恢复基准的 50/50 比例和管理组合的 75/25 比例。A 的四期收益为 $11\%,-7\%,17\%,3\%$，B 为 $-1\%,1\%,1\%,-1\%$；这些序列用于演示归因，不是用事后数据生成期初预测。四个等长季度的无风险收益均为 1%，基准就是这个教学市场组合，以下均为成本前结果：

组合的季度算术平均总收益为 4.5%，超额收益均值为 3.5%，主动收益均值为 1.5%。估计斜率时，先从每项超额收益中减去各自平均值：共同高于或低于均值的期数越多、幅度越大，乘积和越大；再除以市场自己的变动尺度，得到每单位市场变化对应的组合变化。两者去均值后的交叉乘积和为 $0.012$，市场超额收益的离差平方和为 $0.008$，所以：

第二步用平均组合超额收益减去平均市场解释收益，得到截距。对应样本残差为 $0.5\%,-0.5\%,-0.5\%,0.5\%$；它们均值为零，是含截距最小二乘拟合的性质，不是预测完美的证明。

因为基准是市场，平均主动收益可以重新写成“多出的市场暴露回报 + 截距”：$1.5\%=(1.5-1)\times2\%+0.5\%$。其中 1% 来自更高 beta，0.5% 是该模型的样本截距。第一季度的 3% 又可分为额外 beta 贡献 2%、截距 0.5% 和当期剩余 0.5%；一次实现剩余不是事前可预测的 alpha。仅四期数据也不能提供长期技能或显著性结论。

上述回归是在问“历史收益由什么解释”；CAPM 则进一步对均衡期望收益作出限制。两者不能因都出现 beta 就被视为同一个命题。第二章第五节会从组合选择推导定价关系，再与统计风险结构比较。

4. 用风险预算决定偏离基准的程度#

不确定性（Uncertainty）：决策者不能确定未来结果的状态。按 Knight 式区分，**风险（Risk）**是其中能够给结果赋予概率的决策状态。估计一个历史分布，是对不确定性作出模型化描述，并没有消除未来偏离该分布的可能性。

风险度量（Risk Measure）：将结果分布或损失特征映射成数值的指标。总收益波动率度量绝对收益的离散程度；**跟踪误差（Tracking Error, TE）**是主动收益的标准差，度量偏离基准带来的结果不确定性。标准差不是预计一定会损失的金额，也不是最大损失。

本例已得到主动收益等于 $0.25(r_A-r_B)$。若期初风险估计认为下一季度 A、B 收益差的标准差为 8%，那么主动收益的标准差就是 $0.25\times8\%=2\%$。高配幅度改成 10 个百分点时，在同一风险假设下 TE 降为 0.8%；预测收益差保持 2% 时，预期主动收益也从 0.5% 降到 0.2%。缩小持仓同时缩小收益机会和风险，并没有改变预测能力。

风险预算（Risk Budget）：依据投资目标和承受能力，对允许承担的风险总量及其分配作出的事前规定。预算由投资授权决定，风险模型负责估计候选持仓是否符合预算。若授权要求季度 TE 不超过 1%，本例 75/25 的候选组合便不满足要求，不能因为预测为正而忽略它；如何在限制内选择持仓，是第二章的组合构建问题。

跟踪误差小也不代表绝对风险小，因为基准自己可能大幅下跌。多空金额相等只抵消资金净敞口，不保证两侧 beta 抵消；零 beta 也可能留下行业、风格、流动性和尾部风险。均值与方差只是决策的一部分，估计误差、极端情景和可交易性仍需单独检验。

1. 区分一次排序正确和跨期可重复的技能#

第一季度高配 A 恰好赚钱，并不能回答下一季度还该不该使用盈利信号。需要把冻结在每个决策时点的预测，与其后同期限的结果逐一配对；先观察股票排序是否有用，再观察这种关系能否重复，最后观察持仓是否真正获取了这部分信息。

信息系数（Information Coefficient, IC）：某个决策时点的股票预测值与随后指定期限实现收益之间的横截面相关系数。固定一个时点，比较的是许多股票的预测和结果；Pearson 相关衡量线性关联，Spearman 相关衡量排序关联。预测分数未必具有收益率单位，计算时还须固定股票池、期限及风险调整口径。

将每个已完成预测期的 IC 依次记录，才得到跨时间的技能评价。本章的两股票例能演示持仓算术，却不足以可靠评价 IC：只有两项非退化观测时，截面相关只能取正一或负一。四个季度也过少，不能据此判断技能是否稳定。

信息比率（Information Ratio, IR）：主动收益均值与跟踪误差之比，用于比较每单位主动风险对应的平均主动回报。事前口径使用预测均值与预测风险，事后口径使用实现序列的样本均值与标准差，分子分母必须同频。它评价的是组合结果，不是单次股票排序；较高 IC 没有通过约束和交易转化成持仓，就未必产生较高 IR。

因此，股票截面的相关、这些相关在时间上的变化、组合主动收益序列，是三个不同的评价对象。第四章建立它们的具体联系；在此之前，不能把某次 IC、股票数量或风险目标直接代入一个公式，宣称已经预测了长期业绩。

2. 为什么机会数量和持仓表达都重要#

即使每次判断的平均质量不变，在许多相互独立的机会上重复应用，也可能减少结果被某一次判断支配的程度。但把同一种盈利消息拆成多个相似指标，或同时买入受同一消息影响的多只股票，不等于获得了同等数量的独立机会。

有效广度（Effective Breadth）：在指定评价尺度上能够独立贡献信息的风险调整投资机会数量。它不是名义股票数、因子数或调仓次数。共同风险、重复信号和重叠持有期都会削弱独立性，所以扩大股票池时还要检查新资产是否只是重复旧暴露。

另一个损耗发生在预测到持仓之间。若 A 的相对预测最高，但基准已持有它很多、持仓上限又很紧，就很难继续高配；若 B 的预测最低，却只有很小的基准权重，仅多头组合也无法无限低配 B。预测仍可能正确，只是可行持仓表达不出同样幅度的判断。

在本例中，相对低配 B 25 个百分点并不要求卖空，因为原基准中 B 占 50%。若基准中 B 只有 2%，同样低配就会形成实际负持仓；约束作用于总权重，不能只看主动权重的正负。这正是收益预测、投资授权与组合构建必须分开评价的原因。约束可能损失预测表达能力，也可能限制估计错误和不可承受风险，不能预设取消约束必然改善净收益。

3. 信号期限与模型变化如何影响重复应用#

预测期限（Forecast Horizon）：信号预测的收益所覆盖的时间区间。调仓频率（Rebalancing Frequency）：重新决定目标持仓的频率。季度收益预测不表示只能每季度交易一次，每天更新目标也不表示信息每天都重新变得独立。

盈利信息若需要数周才被吸收，今天没有立即完成全部交易，仍可能保留部分机会；若信号几小时内失效，同样的延迟就可能吃掉主要收益。保留旧持仓能降低交易量，却也可能让组合继续表达已经过时的预测。评价换手时必须比较节省的成本与失去的信息，而不只比较交易次数。

预测关系本身也会变。策略风险（Strategy Risk）：预测关系或技能随时间变化，使策略结果偏离固定技能假设的风险。公司所处经营阶段不同，同样的盈利上调可能代表不同信息；市场参与者和宏观环境变化，也可能使原有关系减弱。资产协方差估计准确，不等于这些预测关系也已经估计准确。

多个信号的分散化因此不止检查同一期分数是否相似，还要检查它们是否总在相同阶段共同失效。允许公司情境或市场状态改变模型，可以形成条件预测方法，但分组越细，可供验证的独立样本也越少。后续第七至十章会分别处理信号组合、期限、公司情境与因子择时；这些扩展必须改善锁定流程的样本外结果，而不是仅改善事后解释。

1. 五个环节怎样传递同一个投资判断#

前面的计算已经说明，预测、持仓和业绩之间并没有一一对应关系。完整流程需要把不同环节各自负责的对象固定下来，才能知道一个好结果究竟来自哪里、一个坏结果又该修改什么。

alpha 模型（Alpha Model）：利用决策时可得信息形成未来收益或相对表现预测的模型。它在本例中将盈利信息转换成“A 相对 B 预期多赚 2%”。行业中这一名称也用于广义收益预测；只有明确了正常收益模型和风险调整，输出才能被严格解释为相应口径的 alpha。数据时点错误会让预测看似极强，却无法真实使用。

预测进入组合优化（Portfolio Optimization），即在收益预测、风险估计和投资约束下选择目标持仓的决策程序。与预测并行输入的风险模型（Risk Model），是估计资产收益共同变动与特质变动结构的模型。本例中“收益差的预测标准差为 8%”来自风险估计；允许多大 TE 则来自授权。二者结合才能审查 75/25 的候选头寸，而不是由风险模型替投资者决定承受多少风险。若两只股票共同风险被低估，优化器会误以为偏离基准比实际更安全。

目标权重还不是持仓。组合实施（Portfolio Implementation）：将目标持仓转化为订单、成交和实际持仓的过程。它需要交易前实际头寸、资金、流动性及执行期限；延迟和未成交可能使实际组合继续停留在旧权重。期末的绩效归因（Performance Attribution），则按事先规定的模型和比较口径，将实现收益与实施偏差分解到相应来源。它回答预测、暴露和执行各自发生了什么，而不是将所有未解释收益命名为技能。

图 1-1 为独立教学流程图。基准、风险预算和授权是共同外部输入；实线传递决策对象，虚线将评价结果反馈给模型。

盈利信号经预测形成相对收益差，风险与约束把它转成目标权重，成交才产生实际头寸，归因再检验实现结果。反馈只改变后续决策，不能回写已经评价过的预测。

2. 数据时点决定这个流程是否真的可执行#

时点数据（Point-in-Time Data）：能够还原每个历史决策时点实际可获得内容的数据及其版本记录。信号使用什么日期，决定“预测”是否在结果之前发生。

假设 A 的年报在 4 月 30 日收盘后首次披露，策略只在开盘交易。即使财报期末日为 12 月 31 日，盈利信息也不能从那一天就进入模型；4 月 30 日开盘同样不可用。最早允许交易的时点，应是披露后已经能够处理信息的交易日开盘。后来修订的盈利预测，也不能回填到原版本被市场获知之前。

同样的边界适用于股票池和模型参数。用今天仍上市的公司重建过去股票池，会遗漏已经退市的失败者；用当前行业分类重写过去的行业比较，会改变当时实际可做的决定。原始字段因此需要保存含义、单位、首次发布日期、修订时间与允许使用日，分红、拆并股和指数成分也使用相应历史版本。

训练期用于估计参数，验证期用于选择复杂度，测试期评价锁定后的流程。若模型预测下一季度收益，一条训练样本即使特征日期已过去，只要其收益标签尚未全部实现，就不能进入当日拟合。对同一时点已经可得的股票做截面排名，本身不构成泄漏；使用未来期间的均值来标准化当日信号则构成泄漏。记录尝试过的窗口、分组和阈值，才能判断所谓测试集是否已经被反复使用。

3. 成本为什么会把看对方向变成不交易#

交易量（Trade Size）：从交易前实际持仓变为目标持仓所需的持仓变化。以权重表示，并统一交易前资产计量基数时：

三个量均为同一资产集合上的列向量，依次表示交易权重、目标权重和交易前实际权重。价格变化和现金流会让实际权重漂移，所以相邻两次目标权重相同，也可能需要再平衡；一般不能用两次目标权重之差替代交易量。

先回到最初例子：交易前恰为 50/50，变成 75/25 需要买入 A 25%、卖出 B 25%。若每侧费率为成交金额的 0.05%，两侧成本合计占资产的 $0.25\times0.0005\times2=0.00025$，即 2.5 bp。预测毛主动收益为 50 bp，扣除本次交易费用后为 47.5 bp；第一季度实现毛主动收益 300 bp，相应为 297.5 bp。这里 $100\text{ bp}=1\%$。这只说明该候选交易通过了这项成本比较，不证明它在全部风险约束下最优。

上述教学计算将费用在期末单列扣除，不影响期内名义头寸，忽略费用融资利息和期末平仓费用；与未交易、无费用的教学基准比较。实际执行若在期初扣费，必须同步处理持仓与现金，不能重复使用这套简化资金假设。

再改变投资授权与成本，考察同一方向判断是否还值得实施。设 A、B 基准权重变为 98%、2%，交易前组合等于基准，目标仍仅多头且全额投资。从 B 向 A 转移权重 $x$，则：

模型预测 A 相对 B 的下一期总收益差为 2%，但每一侧交易成本均为成交金额的 1.5%。沿用刚才的期末费用计量约定，毛主动收益为 $0.02x$，两侧费用为 $0.03|x|$，净预期贡献为：

当 $x>0$ 时，$G(x)=-0.01x<0$；当 $x<0$ 时，$G(x)=0.05x<0$；$G(0)=0$。两边所有可行交易都比不交易差。若买入允许的最大正权重 2%，毛贡献只有 4 bp，成本 6 bp，净贡献为 −2 bp；加入以基准为零点的非负主动风险惩罚也不会改变不交易的结论。

这些成本是隔离机制的自拟参数，不是市场费率估计。第一个候选交易和第二个不交易结论来自不同授权与费用输入，不能挑选其中有利的部分拼成回测。信号、当前持仓、风险与成本任一改变，都要重新作出决定。

4. 归因怎样决定修改哪个环节#

投资治理（Investment Governance）：对研究、组合决策、交易、风险监督及模型变更的职责和复核程序作出的事前安排。它使流程不仅能重复运行，还能在结果不佳时定位责任，而不是事后寻找一个总能解释亏损的故事。

以第一季度为例，信号预测了 A 优于 B，目标组合也高配了 A。如果订单没有完成，实际持仓仍为基准，就不能把没有获得 3% 毛主动收益归为信号失效。反之，目标确实成交而 A 落后 B，应检查预测误差及其是否超出既有模型预期；若收益主要来自更高 beta，则应检查管理者是否承担了授权之外的风险。

这里有两套不同的比较。收益归因把实际收益按风险因子和模型剩余分解；流程评价比较冻结的预测组合、受约束目标组合及实际实施结果，观察约束和执行损耗。后者依赖反事实组合与比较顺序，不能未经去重就与因子贡献全部相加。

每期保存数据和模型版本、预测快照、基准、目标与实际持仓、订单、成交和成本；人工覆盖还需记录决定人、时间、修改内容、理由和有效期限。预测排序持续变差时复核信息与机制，预测有效而持仓表达减弱时检查约束，目标尚可而实际净收益下降时检查成交与成本。降权和停用依据事前条件执行，并区分随机亏损、模型变化与操作故障，才不会把一次盈利当作技能证明，也不会把一次亏损当作推翻全部投资信念的理由。