Alpha 因子评价

1. 预测规则与组合绩效#

组合取得较高收益，可能因为选股有效，也可能因为承担了更多市场或行业风险。同一套预测换用风险预算、约束或交易方式，最终绩效也会改变。因此，评价需要分开回答两个问题：预测是否区分了股票的随后表现，以及把预测变成持仓后是否取得了值得承担风险的收益。前者评价信息，后者评价整个组合过程。

第二章“有现金与无现金的均值—方差优化”已讨论如何把收益预测与协方差转成权重，第三章“从收益生成式到协方差”给出风险输入的构造。本章先把收益预测作为待检验的输入，研究什么证据支持它，以及评价口径如何与这些持仓规则一致。

alpha 因子（Alpha Factor）：利用决策时点可得信息，对股票随后指定期限的相对收益或风险调整收益形成预测的规则。财务比率、价格变化等属于输入特征；规则输出的分数表示相对看好程度，不天然具有收益率单位。

若以分数 $s_{i,t}$ 预测收益，还需由历史训练数据估计其与未来收益的映射，得到收益率口径的 $\widehat\alpha_{i,t+H\mid t}$。其中 $i$ 表示股票，$t$ 是决策时点，$H$ 是预测期距；所有输入与映射参数都须属于信息集 $\mathcal F_t$。预测值既不是随后实现的主动收益，也不是资产定价回归中的事后截距。

主动收益（Active Return）：组合收益减去指定基准收益，记为 $r_{A,t}=r_{P,t}-r_{b,t}$；正负均有可能。组合与基准须使用相同币种、收益类型和计量期间。

跟踪误差（Tracking Error, TE）：主动收益的标准差，衡量偏离基准所承担的风险。给定主动收益分布，信息比率评价其收益与风险之比；改变基准会同时改变这两个量。

两种常见绩效比率按比较基准区分：

• 夏普比率（Sharpe Ratio, SR）：组合相对无风险资产的超额收益均值与该超额收益标准差之比。
• 信息比率（Information Ratio, IR）：相对指定投资基准的主动收益均值与跟踪误差之比。

其总体定义为：

$r_f$ 是同一期限的无风险收益，$E$ 与 $\operatorname{Std}$ 分别表示期望和标准差。分母必须为正；跟踪误差不是组合波动率减去基准波动率。以现金为基准时，两种比率可能重合，但市场 beta 中性本身不保证这一点。

历史 IR 使用已实现收益；事前 IR 使用对未来收益分布的预测。单个调仓日的条件收益—风险比与未来多次调仓的策略 IR 也不同：后者还受权重、状态和预测能力随时间变化的影响。

2. 样本估计、年化与均值检验#

对 $T$ 个同频主动收益，统一采用分母为 $T-1$ 的样本方差：

$\bar r_A$、$s_A$ 和 $\widehat{IR}$ 分别是历史均值、实现跟踪误差和样本信息比率。若各期收益不相关且具有稳定的均值与方差，一年有 $m$ 个评价期，则常用算术年化口径为 $\widehat{IR}_{\mathrm{ann}}=\sqrt m\,\widehat{IR}$；月度与季度分别取 $m=12$、$4$。

存在序列相关时，弱平稳主动收益的 $m$ 期加总方差为：

其中 $\gamma_k=\operatorname{Cov}(r_{A,t},r_{A,t-k})$。只有非零滞后的协方差项消失，才得到平方根缩放。该式针对收益的算术加总；简单收益的复利结果不能直接用它代替，尤其不能把组合与基准的多期收益差当作单期主动收益的复利积。

这里涉及三种不同的随机对象。$s_A$ 描述单期收益能偏离均值多远；累计收益的风险还取决于各期如何共同变化；均值的标准误则描述用有限历史估计平均收益的不确定性。独立同分布时，$T$ 项方差相加后再除以平均值中的 $T^2$，有 $\operatorname{Var}(\bar r_A)=\sigma_A^2/T$，所以均值标准误估计为 $s_A/\sqrt T$。多观察几年可以提高均值估计精度，却不会自动降低未来单期的风险。

例如，自拟季度主动收益为 $1\%,-1\%,3\%,1\%$，均值为 $1\%$，离均差平方和为 $0.0008$，故 $s_A=\sqrt{0.0008/3}=1.6330\%$，季度样本 IR 为 $0.6124$。四期均值的标准误为 $0.8165\%$，不是 $1.6330\%$；按不相关假设作算术年化，IR 为 $\sqrt4\times0.6124=1.2247$。这些数值来自不同对象，不能互换分母。

在独立、同分布、正态的假设下，检验 $H_0:E(r_A)=0$ 的统计量为：

这里使用未年化的同频 IR。有异方差、时间依赖或重叠收益时，均值推断需要相应的稳健标准误或区块自助法；单期 IR 的定义仍使用单期主动收益标准差。绩效比率、累计收益风险和均值标准误是不同对象，不能用同一个分母替代。

3. 信息系数的两个数据维度#

信息系数（Information Coefficient, IC）：同一预测原点的股票分数与随后指定期限实现收益之间的横截面相关系数。它评价股票之间的相对预测关系，不衡量某只股票自身的时间序列拟合度。

设时点 $t$ 的可投资股票池为 $\mathcal U_t$，含 $N_t$ 只股票；分数与随后 $H$ 期实现收益构成列向量 $\mathbf s_t,\mathbf r_{t+H}\in\mathbb R^{N_t}$。原始 Pearson IC 的样本计算式为：

横线表示当期股票截面均值。先减均值，是为了比较一只股票相对同组股票的位置，而不是把全市场普涨算成选股能力；分子把每只股票的两项偏离相乘，同向偏离贡献正值、反向偏离贡献负值。分母消去分数与收益的尺度，使得把全部分数乘以正数不会改变 IC，但也意味着 IC 本身不告诉我们预期能赚多少。

$IC_t$ 的下标标识预测原点，数值只能在 $t+H$ 的收益实现后计算，不能作为时点 $t$ 的已知技能参数。分数或收益没有截面差异时，相关系数未定义，不应填成零。

秩信息系数（Rank Information Coefficient）：先对分数和实现收益分别排名，再计算 Pearson 相关，即 Spearman 相关；有并列值时须固定排名规则。它保留单调排序关系，弱化幅度与极值的影响，但不能代替后文线性组合收益恒等式中的 Pearson IC。

预测评价包括两个连续操作：固定 $t$，在股票维度计算一个 IC；固定预测规则，在多个已经完成的评价期上汇总 IC 均值、波动和依赖。数据具有股票乘时间结构，不等于已经使用某一种面板回归估计器。

图 4-1 使用独立构造的四股票、四期数据。令 $\mathbf u=(1,-1,1,-1)'$、$\mathbf v=(1,1,-1,-1)'$，分数取 $\mathbf u$，各期标准化实现收益取 $\mathbf y_t=c_t\mathbf u+\sqrt{1-c_t^2}\mathbf v$，其中 $c_t$ 依次为 $0.02,0.06,-0.02,0.10$。两向量中心化、正交且范数相同，因而各期截面相关恰好为 $c_t$；格内收益经过舍入，相关使用未舍入值计算。

每列的四只股票只产生一个截面 IC，四列才产生四个跨期观测。增加一列中的股票数有助于估计该期相关，却不能把四期历史变成更多独立时间样本。

收益标签须明确总回报、扣现金的超额收益或风险模型残差，并固定持有区间。给全部股票减去同一个基准收益不会改变 Pearson IC，也不会消除行业或 beta 暴露：它只移动收益的共同中心，没有扣除股票之间不同的风险响应。

4. 原始 IC 何时对应主动收益#

令 $\mathbf h_t=\mathbf w_t-\mathbf w_{b,t}$ 为 $N_t\times1$ 主动权重向量；组合与基准采用相同净投资规模、相同资产集合时，$\mathbf1'\mathbf h_t=0$。按评价期初持仓计算的主动收益为 $r_{A,t+H}=\mathbf h_t'\mathbf r_{t+H}$。

定义截面离散度 $\operatorname{dis}(\mathbf x)=\sqrt{\sum_i(x_i-\bar x)^2/(N_t-1)}$。利用主动权重和为零，可得：

$\operatorname{corr}_{CS}$ 表示同一截面的 Pearson 相关。这是持仓与收益的恒等式，尚未涉及预测分数。若净权重不为零，一般内积还包含 $N_t\bar h_t\bar r_{t+H}$，不能删去市场共同涨跌的贡献。

只有再规定 $\mathbf h_t=c(\mathbf s_t-\bar s_t\mathbf1)$、$c>0$，才可把持仓相关替换为原始 IC：

在此特定配置下，正 IC 对应正主动收益；市场整体下跌也不妨碍超配相对强者、低配相对弱者获得正主动收益。收益离散度扩大时，正确与错误判断的盈亏都会放大。

按分数等比例配仓忽略协方差、股票特质风险和持仓约束。共同标量乘单位阵的协方差、无额外约束等简化条件可使这一方向与均值—方差解一致，一般风险模型下则不能仅凭原始 IC 推断组合表现。

1. 风险中性优化与加权净化#

时点 $t$ 的输入包括 $N_t\times1$ 收益率预测 $\widehat{\boldsymbol\alpha}_{t+1\mid t}$，以及与一个评价期匹配的事前风险模型：

$\mathbf X_t$ 是 $N_t\times K$ 风险暴露矩阵，$\widehat{\mathbf F}_t$ 是 $K\times K$ 因子协方差估计，$\mathbf D_t$ 是正对角特质方差估计；$\sigma_{i,t}>0$ 表示股票的事前特质波动率，不是随后实现收益的截面标准差。该模型假定因子与特质项不相关、特质项之间协方差可忽略，条件与风险分解见第 3 章。

令 $\mathbf Z_t=[\mathbf1,\mathbf X_t]\in\mathbb R^{N_t\times q}$，$q=K+1$。资金中性和全部指定风险因子中性合写为 $\mathbf Z_t'\mathbf h_t=\mathbf0$。要求 $N_t>q$、$\mathbf Z_t$ 满列秩；常数项与完整行业虚拟变量会共线，须先删除冗余列。

风险中性预测：从收益预测中移除为满足指定中性约束而不能持有的风险暴露成分。投影权重由协方差结构与约束决定，而非任意选取。风险厌恶系数 $\lambda_t>0$ 下，优化问题为：

中性化不是断言行业或市场信息没有价值，而是把本次评价的问题限定为：在不主动承担这些暴露时，预测还剩多少可用信息。若另一个策略允许预测行业轮动，就应保留相应敞口、另行评价，不能拿完全中性的结果代替它。

由 $\mathbf X_t'\mathbf h_t=0$，共同风险项可写成 $(\mathbf X_t'\mathbf h_t)'\widehat{\mathbf F}_t(\mathbf X_t'\mathbf h_t)=0$，剩余风险惩罚为 $\lambda_t\sum_i\sigma_{i,t}^2h_{i,t}^2/2$。只看这一特质风险惩罚、暂不施加约束时，单只股票的边际平衡为 $\widehat\alpha_i=\lambda_t\sigma_i^2h_i$：相同预测下，波动率加倍使仓位缩至四分之一。这里需要除以方差，而不是波动率。

加入中性约束后，不能再独立决定每只股票的头寸。沿用第二章等式约束优化的做法，将约束项 $\boldsymbol\ell_t'\mathbf Z_t'\mathbf h_t$ 从目标中扣除；$q\times1$ 乘子 $\boldsymbol\ell_t$ 为每种受限暴露附加共同的边际代价。对每个 $h_i$ 求导后排成向量，再将权重解代回 $\mathbf Z_t'\mathbf h_t=0$，分别得到：

左侧系数矩阵在上述条件下为 $q\times q$ 正定矩阵。求解这一线性方程组，定义：

$\mathbf a_t^\perp$ 是收益率单位的风险中性预测，$\mathbf p_t$ 是再除以特质波动率后的无量纲风险调整预测，均为 $N_t\times1$ 列向量。最终权重按特质方差缩放，不能把预测标准化与配仓混成一次除法。

这一结果也解释了为什么回归会进入组合优化。第三章“基本面模型”用加权回归从实现收益估计共同因子；这里把被解释变量换成期初预测。令 $\mathbf z_i'$ 为 $\mathbf Z_t$ 第 $i$ 行，考虑残差平方和

对第 $j$ 个系数求导，得到 $-2\sum_i z_{ij}(\widehat\alpha_i-\mathbf z_i'\boldsymbol\ell)/\sigma_i^2=0$；将全部系数的方程并排，就恰好是上述乘子方程。因此，净化不是优化之后任意添加的清洗，而是同一约束最优解的另一种表示。这里的“投影”指用指定暴露的线性组合逼近预测，“正交”指剩余不能再由这些列改善加权拟合。

逆方差权重使低特质风险股票上的残差在拟合目标中更重要，因为同样的预测残差最终会在那里形成更大的头寸。特质风险相等时，该投影退化为普通最小二乘；矩阵近奇异时应检查共线性、估计误差和稳定化处理。求解线性方程比显式计算逆矩阵更适合实现，但两者不能解决输入本身没有可识别信息的问题。

2. 收益端调整与风险调整 IC#

风险调整信息系数（Risk-Adjusted Information Coefficient）：在明确的风险暴露残差化和风险缩放规则下，对调整后的预测与随后实现收益计算的截面 Pearson 相关。不同残差化、缩放和中性约束会定义不同的统计量，不能只用“已风险调整”概括其口径。

预测端已经扣除了不能持有的共同成分，评价收益端也应围绕同一任务。否则，某个行业整体上涨造成的收益差异仍进入相关系数的分母，即使中性组合实际上没有获得这部分收益。先扣除共同解释成分，再除以事前特质波动率，分别处理“来自何种暴露”和“同样的残差相对于风险有多大”。

为固定收益端的计算规则，在收益实现后，以期初 $\mathbf Z_t$ 对 $\mathbf r_{t+1}$ 做截面普通最小二乘回归，取得 $K\times1$ 因子收益系数 $\widehat{\mathbf b}_{t+1}$。除以不同的 $\sigma_i$ 后，原回归残差的零均值可能不再保留；为把内积写成普通 Pearson 相关，需要重新选择共同截距。令缩放收益的和等于零，解出截距：

$\mathbf X_{i,t}$ 是暴露矩阵第 $i$ 行，$\mathbf R_{t+1}$ 是无量纲的风险调整实现收益列向量。这样选取截距，保证普通截面均值 $\bar R_{t+1}=0$。该截距一般不同于普通回归截距；逆方差加权残差也不自动满足“除以特质波动率后均值为零”。

本节采用的风险调整 IC 为：

由 $\mathbf Z_t'\mathbf h_t=\mathbf0$，从实现收益中扣除任意 $\mathbf Z_t$ 列空间内的成分都不改变主动收益。代入最优权重，有：

$\operatorname{dis}$ 使用 $N_t-1$ 为分母；最后一步依赖 $\bar R_{t+1}=0$。这里的事后回归仅用于评价和归因，不允许把 $\widehat{\mathbf b}_{t+1}$、$\mathbf R_{t+1}$ 或当期 IC 放回期初构建过程。完全中性、无其他约束的权重可使用该恒等式；允许非零因子敞口或实施持仓上下限后，它不再直接描述实际组合。

3. 净化 alpha 为什么不等于风险调整 IC#

净化 alpha（Purified Alpha）：把预测对指定风险暴露回归后保留的残差；“净化”只相对于选定的控制变量和回归内积成立。普通最小二乘净化得到：

若直接按该残差配仓，指定暴露可以为零；若又按不同的特质方差缩放，$\mathbf Z_t'\mathbf D_t^{-1}\mathbf a_t^{\mathrm{OLS}}$ 一般不再为零。用普通回归净化后随意加上风险缩放，会重新引入原本希望消除的暴露。

逆方差加权回归得到的 $\mathbf a_t^\perp$ 满足 $\mathbf Z_t'\mathbf D_t^{-1}\mathbf a_t^\perp=\mathbf0$，与相应权重兼容，但它还没有除以特质波动率，也没有调整收益端。即使全部特质风险相同，$\operatorname{corr}(\mathbf a_t^{\mathrm{OLS}},\mathbf r_{t+1})$ 通常也不等于 $\operatorname{corr}(\mathbf p_t,\mathbf R_{t+1})$：收益端是否移除共同风险，会改变相关系数的分母。

中性化只保证指定内积下的正交，不保证统计独立，也不保证剩余信号具有预测能力。一个风险模型中未解释的残差，仍可能包含其他共同风险或纯噪声。

4. 四股票例：原始相关为负，风险调整相关为正#

自拟一个季度的四股票数据。每只股票的事前特质波动率均为 $2\%$；$x_i$ 是某个中心化风险暴露，不是股票的市场 beta。预测、实现收益均为季度简单收益率：

预测和收益的截面均值均为零，用表内百分数计算原始 IC：

预测对常数和 $\mathbf x$ 回归的暴露系数为 $1\%$，实现收益的暴露系数为 $-2\%$。两端剔除相应共同成分后：

再除以 $2\%$，得到：

图 4-2 的右图展示两端残差，坐标仍为收益率百分比；因为特质风险相同，再做风险缩放不改变其相关。两图坐标范围相同，虚线仅为该截面的描述性拟合线。

原始负相关包含了预测对共同风险方向的错误判断；剔除该方向后，剩余相对判断为正。四股票在两个中性约束下仍有二维可行空间，$IC=0.600$ 不是一维残差必然产生的 $\pm1$，但一个构造截面仍不能证明真实预测技能。

5. 风险预算、预测离散度与单期收益#

中性化决定了可持有的方向，但还没有决定投入多少主动风险。将所有主动权重放大两倍，预测收益与标准差都会放大两倍；因此，可以先保留方向，再用风险目标确定统一缩放量。

目标跟踪误差：管理者在构建阶段指定的主动风险预算，记为 $\sigma_t^*$。模型预测跟踪误差则是把具体持仓代入事前协方差所得的风险估计；只有优化或缩放确实达到目标时，两者数值才相同。

对本节中性权重，模型预测风险为：

这里 $\|\mathbf p_t\|=\sqrt{\sum_i p_{i,t}^2}$ 是向量长度。将 $h_i=a_i^\perp/(\lambda\sigma_i^2)$ 代入 $\sum_i h_i^2\sigma_i^2$，风险平方便成为 $\sum_i p_i^2/\lambda^2$，所以风险目标直接确定了 $\lambda$。但相关系数使用的是减去均值后的长度，不能把这两种长度直接混用。

把 $p_i=(p_i-\bar p)+\bar p$ 代入平方和，交叉项因 $\sum_i(p_i-\bar p)=0$ 消失，得到精确分解：

加权残差正交不保证 $\bar p_t=0$。为保留这一差异，定义无量纲修正量：

非退化预测下 $0<\eta_t\leq1$。将风险缩放代入主动收益恒等式，得到：

近似式需要均值项相对于中心化平方和很小，且 $N_t$ 足够大。四项分别对应截面规模、风险预算、预测相关与实现机会离散度；$N_t$ 出现在代数分解中，尚不代表独立投资机会。

在四股票例中，$\|\mathbf p\|=1$，若模型季度目标为 $1\%$，则 $\lambda=100$，主动权重为 $(0.25,-0.25,0.25,-0.25)'$，同时满足资金中性和 $\mathbf x'\mathbf h=0$。此时：

该结果也等于 $\sqrt3\times1\%\times0.600\times(1/\sqrt3)$。这里使用 $N-1$ 的精确式；小截面不能直接用 $\sqrt N$ 替换。$0.6\%$ 是这一季度的实现主动收益，不能由它估计跨期跟踪误差或 IR。

保持这四只股票的预测、实现收益和暴露不变，只把事前特质波动率改为 $1\%,2\%,3\%,4\%$，并暂固定 $\lambda=100$，就能检验普通净化与加权净化的区别。普通回归仍给出 $(1\%,-1\%,1\%,-1\%)'$ 的残差；逆方差加权回归则给出 $(0.4\%,-1.6\%,0.72\%,-1.28\%)'$。两者再分别除以 $100\sigma_i^2$：

前一列权重的净额为 $0.798611$，风险暴露为 $-0.701389$，已经违反原来的两项中性要求；后一列两项均为零。这不是比较哪一列赚得更多，而是检查净化后的输出能否被配仓步骤正确使用。正确权重的模型风险为 $\sqrt{0.000096}=0.9798\%$，要恢复 $1\%$ 目标，再把它整体乘以 $0.01/\sqrt{0.000096}$；此缩放保留中性。不能把非中性权重仅靠整体缩放变成中性权重。

将所有预测乘以同一个正数并同步调整 $\lambda_t$，不会改变固定风险目标下的持仓。预测离散度变大不自动意味着增加风险预算；加入成本、持仓边界或未完成交易后，必须重新核算实际权重的风险。

6. 风险调整收益离散度为何接近或偏离 1#

$d_{t+1}$ 衡量同一时点风险调整实现收益之间的差异，既放大正确判断的收益，也放大错误判断的损失。它在决策时尚未实现，不能把事后观察到的高离散度当作可用择时信号。

若 $N$ 个风险标准化特质收益独立且服从标准正态分布，样本方差满足 $(N-1)d^2\sim\chi^2_{N-1}$，因此 $E(d^2)=1$，大截面下 $d$ 集中在 1 附近。除以波动率本身不产生正态性或独立性。

从同一个截面估计并扣除风险因子还会消耗自由度、引入残差间相关；等方差正态回归的残差平方和自由度为 $N-q$，不能不作说明地套用 $N-1$。将实际风险调整收益的离散度近似为 1，需要股票数相对控制变量数足够大、特质风险校准合理且剩余依赖较弱。

遗漏共同因子、特质风险预测失准、厚尾冲击或有效样本量不足都可能使 $d$ 显著变化。偏离 1 可作为诊断线索，但既不能单独识别是哪一种模型错误，也不构成新的 alpha 证据。

1. IC 稳定性与组合 IR 的对应条件#

策略风险（Strategy Risk）：指定预测规则的已实现 IC 在多个评价期之间的波动，包含有限截面抽样波动以及潜在预测能力的真实变化；它的单位是相关系数，不是收益率。

令 $I_t=IC_t^{\mathrm{RA}}$，并记 $C_t=\sqrt{N_t-1}\,\eta_t\sigma_t^*$。为按同一预测原点排列跨期样本，本节把第二节的 $d_{t+1}=\operatorname{dis}(\mathbf R_{t+1})$ 简记为 $d_t$；只是配对索引改变，它与 $I_t$ 仍要等到 $t+1$ 才能观察。于是前节的收益关系写为 $r_{A,t+1}=C_tI_td_t$。股票数 $N_t$、均值修正 $\eta_t$ 和目标风险 $\sigma_t^*$ 决定尺度 $C_t$，不能把未作相同风险调整的原始 IC 直接代入。

若多个评价期中 $C_t=C>0$，且 $d_t=d>0$ 不变，设总体 IC 均值和标准差为 $\mu_I$、$\sigma_I>0$，则：

相应样本统计量为：

$\widehat{IR}_{IC}$ 是 IC 序列的均值—波动比，不是任意组合 IR 的另一种定义。只有收益与 IC 之间具有相同的正比例系数，两个样本比率才相等；股票池、离散度、风险预算、约束或成本变化后，只能另行检验近似程度。历史 $\bar I,s_I$ 也不能不加检验地充当未来 $\mu_I,\sigma_I$。

用图 4-1 的构造计算对应的组合收益。沿用 $\mathbf u=(1,-1,1,-1)'$、$\mathbf v=(1,1,-1,-1)'$ 及 $\mathbf y_t=c_t\mathbf u+\sqrt{1-c_t^2}\mathbf v$，这里另取仅资金中性、无其他共同风险因子的教学设定，四股事前特质波动率均为 $2\%$。每期期初预测取 $0.02\mathbf u$，实现收益取 $0.02\mathbf y_t$；两端均值均为零，除以共同风险尺度不改变相关，因而图中的 $c_t$ 在这一明确设定下也等于 $I_t$。这不是把任意原始 IC 改名为风险调整 IC。

固定模型风险目标为 $1\%$，由 $\|\mathbf u\|=2$ 得 $\lambda=200$，主动权重为 $0.25\mathbf u$。由于 $\mathbf u'\mathbf v=0$、$\mathbf u'\mathbf u=4$，每期主动收益为 $0.25\mathbf u'(0.02\mathbf y_t)=0.02I_t$。同一组输入于是产生：

前三列使用 $d=2/\sqrt3$、$\eta=1$，故 $Cd=0.02$ 恒定。最后一列只把第 4 期的实现收益向量整体放大两倍，分数、期初风险预测和持仓不变；该期相关系数不变，实际机会离散度却加倍。四期 IC 的统计量为：

固定离散度一列的主动收益均值为 $0.08\%$、样本标准差为 $0.10328\%$，组合样本 IR 为 $0.77460$，与 $\bar I/s_I$ 一致；最后一列的组合样本 IR 却降为 $0.67890$，而 IC 序列完全未变。只有固定离散度的持仓过程满足这里的恒定比例映射，才能直接用技能比率代替组合比率；实际研究应核对收益序列，而不能只看 IC 统计表。

若暂以独立正态近似作均值检验，$t_I=\sqrt4\times0.775\approx1.55$，自由度为 3。双侧 5% 检验的临界绝对值约为 $3.18245$，所以这四期数据不能拒绝零均值；这不证明预测无效，而是说明正的点估计不足以支持稳定技能判断。四期数据及正态近似都只作教学演示，不能据此选定实盘因子。

2. 固定技能、随机技能与有效样本量#

总体技能：在给定市场状态与预测规则下，预测和评价目标的总体相关，记为 $\rho_t$。即使总体技能恒定，每期有限截面的样本 IC 仍会变化。

把观测相关写为 $I_t=\rho_t+\varepsilon_t$，其中 $\varepsilon_t$ 是相关系数的抽样误差。独立二元正态观测、大样本且 $|\rho_t|<1$ 时，Pearson 相关的渐近抽样标准误为：

$N_{\mathrm{eff},t}$ 是与该截面相关估计的不确定性相匹配的有效样本量；严格独立、未因拟合损失信息的简化情形才可近似为股票数。相关股票、共同冲击、同截面风险估计和异质分布会使这一简单抽样公式失准，不能仅凭股票总数指定其值。

需要区分的是“某一期只抽到有限股票”与“市场状态使预测关系本身改变”。概率论的条件方差先固定状态，衡量同一状态下抽样造成的差异；随后再比较不同状态的条件均值。把每次观测相对总均值的偏离拆成这两部分，条件均值为零的抽样误差与状态均值不相关，所以总方差等于状态内方差的平均加上状态均值的方差。

若抽样误差条件均值近似为零，且其方差可用上述式子近似，这一全方差分解给出：

第二个近似还要求相关较小、有效样本量稳定；$\tau=\operatorname{Std}(\rho_t)$ 是真实技能变化的标准差。固定技能对应 $\tau=0$，不是 $s_I=0$。真实技能时变时，增加独立股票只能压低第一项，不能消除第二项。

图 4-3 按小相关近似固定 $\tau=0.04$，让有效截面样本量从 25 增至 1600；这是模型曲线，不是历史估计。

总 IC 波动随有效样本量增加而下降，却趋近 $0.04$ 的时变下限。在 $N_{\mathrm{eff}}=400$ 时，抽样标准误为 $0.05$，合并后的标准差约为 $0.0640$。

3. 主动管理基本定律及其边界#

有效广度（Effective Breadth, BR）：在给定绩效评价期间中，按信息与风险依赖调整后的独立投资决策数量。它讨论投资机会的独立性；$N_{\mathrm{eff}}$ 则讨论某一期截面相关的抽样精度，两者不是可以互换的名称。

主动管理基本定律（Fundamental Law of Active Management）：在独立机会、稳定且可比的预测技能、有效风险配置和无实施损耗等理想化条件下，信息比率随技能和广度变化的近似关系：

这里的 $IC$ 表示每个独立决策的预期风险调整相关，$BR$ 的期间必须与 IR 匹配。在单期独立股票、技能较小且恒定的简化模型中，$s_I\approx1/\sqrt N$，再结合稳定的收益映射可得到 $IR\approx\mu_I\sqrt N$。这只是连接前述分解的一组充分条件，不是基本定律对所有策略的经验保证。

同一信号的重复调仓、重叠持有期、多个高度相关因子和共同数据来源不产生等量的新信息，股票数乘调仓次数不能直接当作年度 $BR$。约束造成的预测传递损失与成本造成的净收益损失，分别由第 11 章和第 12 章处理。

例：相同平均技能下的两种 IR。 在一个评价期内，假设 $N=N_{\mathrm{eff}}=400$，$\mu_I=0.04$，收益离散度接近 1、均值修正接近 1。固定技能模型给出 $IR\approx0.04\sqrt{400}=0.80$。若再存在 $\tau=0.04$ 的真实技能波动，则：

增加可交易股票无法消除共同的技能失效。该例并未估计实际市场的有效广度，也未考虑相关股票、成本和约束，不构成可实现策略收益预测。

4. 单期模型风险与跨期策略风险#

在大截面、$\eta\approx1$、股票数 $N$ 与模型目标风险 $\sigma^*$ 稳定、收益离散度近似为常数 $d$ 时：

$\sigma_A$ 是策略跨评价期主动收益的总体标准差，其历史估计为 $s_A$；$\sigma_I$ 是对应的总体 IC 标准差，历史估计为 $s_I$。目标 $\sigma^*$ 是人为预算，$\sigma_{\mathrm{model},t}$ 是对具体持仓的模型预测，$s_A$ 是已经实现的统计量；对未来策略风险的事前预测则需明确预测窗口和信息集。

单期风险与跨期风险的差别可由全方差公式说明：

即使每个时点的条件协方差估计正确，跨期变化的条件主动收益均值也可形成额外波动。若技能状态在期初不可观测，其不确定性也可能已进入第一项；不能在完整条件风险之上机械重复加一份“策略风险”。

模型误差、时变协方差、权重漂移和执行差异还会影响事前与事后风险的对应关系。观察到 $s_A$ 高于模型目标，不足以单独认定原因，更不能据此断言所有风险模型都系统性低估。

5. 技能与机会离散度的交互#

若 $N$、$\eta$ 和 $\sigma^*$ 不变，但 $I_t$ 与 $d_t$ 均随机，公共尺度 $C=\sqrt{N-1}\,\eta\sigma^*$ 可从比率中约去：

设两者均值为 $\mu_I,\mu_d$，标准差为 $\sigma_I,\sigma_d$，协方差为 $c_{I,d}$，则不要求正态性就有：

正协方差表示技能较好时收益差异也较大，会提高平均主动收益；但 IR 还取决于乘积的方差。一个自拟的两状态比较可以直接说明差别：两状态等概率出现，$I$ 分别为 $0.02,0.06$。固定 $d=1$ 时，$Id$ 的均值为 $0.04$、总体标准差为 $0.02$，比率为 2；改为 $d$ 分别取 $0.5,1.5$，其均值仍为 1，却与 $I$ 正相关。此时乘积为 $0.01,0.09$，均值提高到 $0.05$，标准差也提高到 $0.04$，比率反而降至 1.25。

该比较保持技能分布、平均离散度和公共风险尺度不变，只改变离散度的波动及其与技能的关联。机会集中到技能较好的状态，确实增加了平均收益，但同时使不同状态的收益更加不均匀；只计算分子会漏掉后一项。

将两者的局部矩用联合正态近似时，中心化展开给出：

其中的均值—协方差交叉项不能省去。IC 有界而离散度非负，两者并不严格服从非退化联合正态；该式仅作为矩近似，偏态与尾部依赖明显时需要直接估计乘积序列的分布。

只有右侧除 $\mu_d^2\sigma_I^2$ 外的项均可忽略，才可进一步写为：

这些公式可以用前面的两状态比较检查，而不能把近似结果直接当答案。该例 $\mu_I=0.04$、$\sigma_I=0.02$、$\mu_d=1$、$\sigma_d=0.5$、$c_{I,d}=0.01$；将相同的一阶、二阶矩代入联合正态公式，得到乘积方差 $0.0018$ 和比率 $1.17851$，并非离散情景精确计算的 $0.0016$ 和 $1.25$。差别表明前两阶矩相同也不固定乘积的高阶矩，联合正态在这里仅是替代近似。

若再只保留主方差项，简式会给出 $0.04/0.02+1\times0.5/1=2.5$，与逐情景结果差距更大：被省去的均值—协方差项就有 $0.0008$，已经超过所保留的 $\mu_d^2\sigma_I^2=0.0004$，不满足简化条件。有完整的配对观测时，应直接计算 $I_td_t$ 的均值和标准差；若 $C_t$ 也变化，则计算完整序列 $C_tI_td_t$，再另行处理年化与均值推断中的时间依赖。

1. 策略风险差异如何检验#

比较两个因子时，先固定股票池、预测期距、风险调整规则与观察区间。设两组 IC 的样本标准差为 $s_{I,1},s_{I,2}$，样本期数为 $T_1,T_2$。在组内独立正态、两组也相互独立的条件下，检验总体方差相等可用：

双侧检验须同时考虑上下尾，不能用单侧尾概率代替双侧显著性。更常见的实际情形是两个因子来自同一批股票、同一组季度，其 IC 成对相关；此时即使边际分布近似正态，上述独立样本 F 分布也不能直接使用。分布条件和双侧临界域参见 NIST：两总体方差的 F 检验。

即使只评价一个因子，也不能把样本波动 $s_I$ 当作精确已知的未来技能风险。统计区间反过来询问：哪些总体波动仍能合理地产生当前离均差平方和？独立正态样本下，中心化消耗一个自由度，$(T-1)s_I^2/\sigma_I^2$ 服从自由度为 $T-1$ 的卡方分布，即相应数量独立标准正态变量的平方和。两个独立样本各自的卡方变量除以自由度后再取比值，才得到前述 F 分布；这也解释了为什么配对因子不能直接沿用独立样本检验。

把卡方统计量落在两个分位数之间的不等式反解为 $\sigma_I^2$ 的范围，得到 $1-\alpha$ 置信区间：

$\alpha$ 在此表示检验显著性水平，不是收益预测；$\chi^2_{p,\nu}$ 是自由度 $\nu$ 的卡方分布第 $p$ 分位数。对区间端点开平方可得到标准差区间；分位数越大，方差区间端点越小，不能颠倒上下界。公式及假设参见 NIST：总体方差的卡方检验与区间。

沿用第三节四期 IC，$T=4$、$(T-1)s_I^2=0.008$。暂采用上述独立正态近似，95% 区间所需卡方分位数约为 $0.215795$ 和 $9.348404$，因此标准差区间为 $[\sqrt{0.008/9.348404},\sqrt{0.008/0.215795}]\approx[0.02925,0.19254]$。同一个 $s_I=0.05164$ 点估计仍允许很宽的波动范围；不能仅凭这四期估计，把风险缩放量当作稳定常数。

比较两个因子的 F 比值也要先检查数据是否允许这种比较。若另一个因子的四期 IC 恰为 $J_t=0.04+2(I_t-0.04)$，则其均值相同、样本方差为原来的四倍；这个 4 可以描述波动差异，却不能送入独立样本 F 分布作检验，因为两条序列完全配对相关。此时应保留成对观测来估计差异的不确定性，而非把两列拆成独立样本。

在小相关、已知有效样本量的基准下，还可将方差区间或匹配的检验与纯抽样方差 $1/N_{\mathrm{eff}}$ 比较。若有效样本量估计有误、风险调整规则变化或相关序列有依赖，拒绝该基准不能单独证明真实技能波动。

时间依赖明显时，应使用适合相关样本的检验或区块重抽样。比较同期因子时，重抽样须保留同一期内的因子配对；存在跨期依赖时，还须保留连续时间块，并对块长和重叠标签结构做敏感性检查。

2. 历史证据能够支持什么#

一个针对美国 Russell 3000 股票池、1987—2003 年季度数据的历史研究，对 60 个 alpha 因子分别建立多空组合，并在每季构建时对 BARRA US E3 的指定风险因子中性化。研究设定的模型年化目标跟踪误差为 5%，报告的跨策略平均实现年化风险为 7.7%。这些数字是历史报告值，未在此重新估计；该比较说明有必要检验具体预测规则的风险校准，而非只读取优化器目标。（Qian、Hua 与 Sorensen，2007，第 4.4 节；该节注明研究来源为 Qian 与 Hua，2004。）

这类结果受到当时股票覆盖、风险模型、再平衡频率、估计窗口和年化方式限制。它既不能证明现有商业模型仍有同样偏差，也不能从毛收益与风险直接推断扣费后的可交易性。比较不同因子时，数据覆盖不同也可能改变风险，不能把所有差异都归因于因子本身。

3. 训练期估计、冻结参数与样本外校准#

策略风险缩放量：特定组合过程的跨期主动风险相对于模型目标风险的比例，记为 $\kappa$。在股票数 $N$、目标风险 $\sigma^*$ 稳定、均值修正接近 1、离散度近似为常数 $d$ 的条件下：

$\sigma_A$、$\sigma_I$ 分别是策略主动收益和风险调整 IC 的跨期总体标准差。实际应用中只能用训练期估计 $\widehat\kappa$，并检查它能否预测下一阶段；同一策略改版、风险模型换版或市场状态变化后，不宜直接沿用旧比例。

若希望未来策略风险接近 $\sigma_A^*$，在校准关系稳定且持仓可等比例缩放时，可把优化器的模型目标设为：

沿用 $N=400$、$d\approx1$、$\sigma_I\approx0.06403$ 的教学参数，得到 $\kappa\approx1.28062$。若同一期限的策略风险目标为 6%，模型目标约为 $6\%/1.28062=4.69\%$。这是指定模型下的缩放计算，不是未来风险恰好达到 6% 的保证。

可检验的实施顺序是：在训练段冻结因子、风险调整和 $\widehat\kappa$；在随后区间比较原目标与校准目标的实现风险；再检查主动收益、约束、杠杆和成本是否同步变化。评估目标是降低样本外风险预测误差及目标偏离，不是在同一个测试段反复选择最有利的比例。无成本、无额外约束且恒定缩放时，收益和风险同比变化，毛 IR 不会仅因降低风险目标而提高。

若股票数、机会离散度或目标风险明显时变，应直接使用完整收益映射或真实可实施持仓序列估计风险，不能把历史平均 $N$ 和平均 $d$ 代入后忽略其与 IC 的协方差。

4. 从预测证据到可实施因子#

样本外评价：在未参与规则、参数和模型选择的数据上，检验冻结后的预测与组合过程。滚动训练只能使用当时已完成标签的样本；财报首次公开日而非期末日决定可用时间，股票池必须包含当时可投资且后来退市的股票。对多期前瞻收益，训练与测试边界还要按标签覆盖的收益区间剔除重叠，不能只按特征日期切分。

因子筛选须保留尝试过的主要方向、期限、变换和控制变量，以评估多重检验与选择偏差。不能在测试集反复改符号、改行业中性化规则，再把胜出的 IC 称为独立证据；当期可得股票截面的中心化或排名本身则不天然构成前视。

平均风险调整 IC 显著为正，支持的是特定口径下的预测相关；它不自动保证经济价值。经济幅度须结合持仓映射与目标资本规模判断，成本后结果还须包含换手、价差、冲击、借券和无法成交的头寸。把同一候选因子放入既有组合时，还要检验它提供的是新增信息还是已有信号的重复，不能仅按单因子 IR 排序加入；相关预测的组合在第 7 章展开。

一个可复核的评价结果应同时留下预测定义与信息时点、截面收益口径、跨期不确定性、风险校准、样本外对照以及实施成本。最终输出是带适用条件的预测及风险估计，供组合构建与执行使用，而非把一个高 IC 数字直接当作投资决策。