Alpha 因子评价

1. SR、IR 与 IC 分别衡量什么#

• alpha 因子（Alpha Factor）：在决策时点 $t$ 已知、用于预测 $t$ 至 $t+1$ 期间股票相对收益或风险调整收益的横截面特征；因子值是预测输入，不是已实现收益。
• 主动收益（Active Return）：组合收益减去指定基准收益，$r_{A,t}=r_{P,t}-r_{B,t}$；它可以为负，基准、币种、收益类型与计量期间必须固定。
• 跟踪误差（Tracking Error, TE）：主动收益的标准差，用与主动收益相同的期间表示；模型预测值、风险预算和历史实现值是不同估计对象。
• 夏普比率（Sharpe Ratio, SR）：完整组合相对无风险资产的超额收益均值除以该超额收益的波动率，评价总风险承担，而非相对基准的主动管理。
• 信息比率（Information Ratio, IR）：主动收益均值除以跟踪误差，评价跨期每单位主动风险获得的主动收益。
• 信息系数（Information Coefficient, IC）：同一决策截面上预测值与随后实现收益的相关系数，评价单期横截面预测技能。
• 命中率（Hit Rate）：预测方向正确的证券或期间占比；它忽略幅度，不能替代相关系数、主动收益或 IR。

三类指标的总体参数写为：

其中，$r_P$、$r_f$ 与 $r_A$ 分别是同频的组合收益、无风险收益和主动收益；$\mathbf s_t$ 与 $\mathbf r_{t+1}$ 是预测值与随后实现收益的横截面列向量。SR 和 IR 是跨期分布参数，$IC_t$ 是单个决策时点的横截面参数。

事前与事后 IR 的信息集不同：

其中，$E_t(\cdot)$ 和 $\operatorname{Var}_t(\cdot)$ 是时点 $t$ 的条件矩，$\bar r_A$ 与 $s_A$ 是 $T$ 个同频主动收益的样本均值和样本标准差，下标 $p$ 表示单期口径。若观测独立且风险稳定，年化 $\widehat{IR}=\widehat{IR}_m\sqrt{12}$；自相关、重叠持有期或波动目标会破坏该平方根转换，分母应改用长期方差。

在独立同分布且均值为零的原假设下，

该关系只把历史 IR 转成均值检验统计量，不会把事后估计变成事前技能；非独立收益应使用异方差自相关一致标准误或与调仓结构匹配的区块自助法。

2. 原始 IC、秩 IC 与收益口径#

设股票池在时点 $t$ 有 $N_t$ 只股票，预测列向量为 $\mathbf s_t\in\mathbb R^{N_t}$，随后一个预测期的收益列向量为 $\mathbf r_{t+1}\in\mathbb R^{N_t}$。原始 Pearson IC 为：

其中 $\operatorname{corr}_{CS}$ 表示同一时点的横截面相关。收益必须预先确定为总收益、相对基准收益或模型残差收益，并与信号的预测期限对齐。Spearman 秩相关可降低极值和非线性单调关系的影响，通常称为秩 IC；本章从头寸推导主动收益时使用 Pearson IC，秩 IC 不满足相同的乘积恒等式。

令 $\operatorname{dis}(\mathbf x)$ 表示按 $N_t-1$ 为分母的横截面样本标准差。对满足 $\mathbf 1^{\prime}\mathbf h_t=0$ 的主动权重，单期主动收益恒等于：

若再假设 $\mathbf h_t=c\mathbf s_t$，主动收益可分为相关性、预测离散度和收益离散度三项。该假设只有在证券特质风险相同且不存在系统风险时才接近均值—方差最优，因此原始 IC 适合初筛，不足以代表风险管理后的组合技能。

3. 组合一致的风险调整 IC#

采用时点 $t$ 可得的多因子风险模型：

其中，$\widehat{\boldsymbol\Sigma}_t\in\mathbb R^{N_t\times N_t}$ 是事前收益协方差矩阵，$\mathbf X_t\in\mathbb R^{N_t\times K}$ 是股票乘风险因子的暴露矩阵，$\widehat{\mathbf F}_t\in\mathbb R^{K\times K}$ 是因子协方差矩阵，$\mathbf D_t$ 是正对角特质方差矩阵。令 $\mathbf Z_t=[\mathbf 1,\mathbf X_t]$；满列秩与正特质方差使下列加权投影可解。

先用特质方差倒数加权回归净化预测：

再从实现收益中扣除同一组风险因子的实现贡献，并按同一特质风险标准化：

$\widehat{\boldsymbol\gamma}_{r,t+1}$ 是事后横截面风险因子收益估计，截距取值使 $\mathbf z^r_{t+1}$ 的横截面均值为零；$\mathbf z^s_t$ 与 $\mathbf z^r_{t+1}$ 分别是风险调整预测和风险调整实现收益。IC 的上标 $RA$ 表示 Risk-Adjusted。该定义同时完成风险暴露残差化和特质风险标准化，因而不同于只对预测做普通最小二乘回归。

• 净化 alpha（Purified Alpha）与原收益的相关：用预测对指定风险暴露回归后的残差预测原收益，仍可能混入收益端的系统风险。
• 双边普通残差相关：去掉预测端和收益端的指定暴露，但没有处理不同股票的特质风险。
• 风险调整 IC：对两端残差按特质风险标准化，与资金中性、风险因子中性且按特质方差配置头寸的组合过程一致。

当所有股票的特质风险相同时，加权回归退化为普通回归，净化预测与风险调整预测只差一个正常数；特质风险不同时，两者的排序和 IC 都可能改变。风险模型遗漏因子、特质风险估计偏误或组合仅限制而非完全中性时，风险调整 IC 仍只是近似诊断量。

例：风险调整可以改变技能判断。 设三只股票对某个已知风险因子的中心化暴露为 $\mathbf x=(-1,0,1)^{\prime}$，另有与常数和 $\mathbf x$ 都正交的方向 $\mathbf q=(1,-2,1)^{\prime}$。取预测 $\mathbf s=\mathbf x+0.5\mathbf q=(-0.5,-1,1.5)^{\prime}$，实现收益为 $\mathbf r=-2\mathbf x+0.5\mathbf q=(2.5,-1,-1.5)^{\prime}$，则原始 Pearson IC 约为 $-0.43$。若三只股票特质风险相同，对常数与 $\mathbf x$ 残差化后两端都等于 $0.5\mathbf q$，风险调整 IC 为 $1$。这是隔离风险暴露作用的三股票算例，不是对真实总体技能的估计。

4. 风险厌恶系数与目标跟踪误差#

在资金中性和风险因子中性约束 $\mathbf Z_t^{\prime}\mathbf h_t=\mathbf 0$ 下，风险模型的系统风险项被消去。风险厌恶系数为 $\lambda_t>0$ 的单期优化写为：

$\mathbf h_t\in\mathbb R^{N_t}$ 是相对指定基准的主动权重；$\lambda_t$ 越大，头寸规模越小。模型跟踪误差为：

若把模型跟踪误差缩放至目标风险预算 $\sigma_t^*$，则：

近似式要求风险调整预测的横截面均值接近零。预测整体乘以常数且 $\lambda_t$ 同比例缩放，不改变头寸；在每期重新缩放至相同目标风险时，较大的预测离散度也不会自动获得更大的风险预算。若约束允许非零因子暴露、协方差矩阵病态或交易未完成，上述解析解与目标风险都需按实际组合重新计算。

1. 单期主动收益的四项分解#

由 $\mathbf Z_t^{\prime}\mathbf h_t=\mathbf 0$，从实现收益中减去任意 $\mathbf Z_t\widehat{\boldsymbol\gamma}_{r,t+1}$ 都不改变组合主动收益：

若 $\operatorname{avg}(\mathbf z^r_{t+1})=0$，再代入目标风险缩放关系，可得：

• 技能：$IC_t^{\mathrm{RA}}$ 决定预测与实现收益的同向程度，可能为负。
• 名义广度：$N_t$ 是该截面实际进入计算的股票数；它在恒等式中出现，不等于跨股票和跨期的独立机会数。
• 风险预算：$\sigma_t^*$ 是调仓时设定的模型目标跟踪误差，与实现跟踪误差不是同一对象。
• 机会离散度：$d_{R,t+1}$ 衡量标准化特质收益的横截面分散程度，同时放大正确和错误预测对应的盈亏。

若风险模型完整、特质波动率校准正确且横截面足够大，$d_{R,t+1}$ 应在 1 附近波动。遗漏共同因子、特质波动率失准、残差厚尾和横截面相关都可能使其偏离 1；该偏离是风险模型诊断信号，而不是可以预先兑现的 alpha。

2. 多期均值、主动风险与 IR#

假设各期股票数 $N$、模型目标跟踪误差 $\sigma^*$ 和风险调整收益离散度的均值 $\bar d_R$ 近似稳定，并暂时忽略 $d_R$ 的波动。跨 $T$ 个调仓期有：

其中，$\overline{IC}^{\mathrm{RA}}$ 是风险调整 IC 的时间序列均值，$s_{IC}=\operatorname{std}_t(IC_t^{\mathrm{RA}})$ 是 IC 的时间序列标准差，$\sigma_A=\operatorname{std}_t(r_{A,t})$ 是实现主动风险。$s_{IC}$ 称为策略风险（Strategy Risk），描述某一预测规则的横截面技能在时间上的不稳定性；它不是收益协方差模型给出的单期持仓风险。

这组近似解释了两个容易混淆的事实：提高每期目标风险会同比放大预期主动收益和主动风险，毛 IR 在无成本线性模型下不变；两个平均 IC 相同的因子若策略风险不同，事前 IR 也不同。

3. 模型跟踪误差、策略风险与实现风险#

• 模型跟踪误差 $\sigma_{\mathrm{model},t}$：风险模型对当前主动权重的单期条件标准差估计；组合构建时通常把它缩放至风险预算 $\sigma_t^*$。
• 策略风险 $s_{IC}$：多个调仓截面上已实现 IC 的时间序列标准差，含横截面抽样波动和真实技能时变。
• 实现主动风险 $\sigma_A$：多个持有期主动收益的时间序列标准差，受策略风险、风险模型误差、权重漂移、成交差异和市场状态共同影响。
• 事前主动风险（Ex Ante Active Risk）：在时点 $t$ 用历史外推、状态模型或情景分析预测未来 $\sigma_A$；它应报告估计区间，不能直接等同于 $\sigma_t^*$。

有效广度（Effective Breadth, BR） 是与评价期间一致、相互独立的风险调整预测机会数；共同风险、相关信号和重叠持有期会使它小于证券数与调仓次数的机械乘积。把单期样本 IC 写成总体技能 $\rho_t$ 与抽样误差 $\varepsilon_t$ 之和：

其中，$BR$ 是有效广度，$1/BR$ 是总体相关较小时的相关系数抽样方差近似，$\tau_{IC}^2=\operatorname{Var}(\rho_t)$ 是真实技能的跨期方差；相加要求两者近似独立。更一般地，二元正态独立机会下样本相关的标准误约为 $(1-\rho_t^2)/\sqrt{BR}$。股票相关、共同冲击和重叠收益使 $BR<N$，直接使用 $1/N$ 会低估抽样误差。

4. 主动管理基本定律的成立条件#

主动管理基本定律（Fundamental Law of Active Management） 的基础形式为：

这里的 $IC$ 是每个独立决策的预期风险调整相关，$BR$ 是与 IR 计量期间一致的独立风险调整决策数。由 $IR\approx\overline{IC}^{\mathrm{RA}}/s_{IC}$ 可知，基本定律还隐含 $\tau_{IC}=0$ 且 $s_{IC}\approx1/\sqrt{BR}$：总体技能稳定，观测到的 IC 波动几乎全部来自抽样误差。

真实技能时变、股票间相关、信号重叠、共同数据来源和重复调仓都会降低有效广度。约束会降低预测向头寸的传递效率，交易成本会降低净主动收益；这两项分别在第 11 章与第 12 章展开，不能通过提高名义股票数消除。

例：名义广度不能消除技能时变。 设平均风险调整 IC 为 $0.04$，有效广度 $BR=400$，真实技能的跨期标准差 $\tau_{IC}=0.04$，风险调整收益离散度近似为 1。则：

忽略技能时变的基本定律给出 $0.04\sqrt{400}=0.80$。同一算例下，实现主动风险约为模型目标的 $s_{IC}\sqrt{400}=1.28$ 倍；若希望策略调整后的主动风险为 6%，模型目标应先降至约 $6\%/1.28=4.69\%$。这些数值只展示口径转换，样本估计量不等于未来参数。

5. 离散度修正与风险校准#

当股票数、风险预算或机会离散度随时间变化时，令：

更一般的事前信息比率为：

若 $N_t$ 与 $\sigma_t^*$ 近似固定，且 $d_R$ 的变异系数远小于 IC 的变异系数，原书的二阶近似为：

其中，$\rho_{IC,d}$ 是风险调整 IC 与收益离散度的时间序列相关，$s_d$ 是 $d_R$ 的时间序列标准差。正相关表示技能较强时机会也较多，会提高预期主动收益；负相关会降低它。若 $d_R$ 波动明显，应直接估计 $IC_t^{\mathrm{RA}}c_t$ 的均值与长期方差，而不是继续使用二阶近似。

在 $N$、$\sigma^*$ 和 $\bar d_R$ 稳定时，可定义策略风险缩放量：

若风险委员会给定期望主动风险预算 $\sigma_A^*$，组合优化器可使用 $\sigma_A^*/\widehat\kappa$ 作为模型目标跟踪误差。$\widehat\kappa$ 必须只用当时可得训练样本估计，并在后续样本检验；状态变化、因子改版或风险模型更新都会使历史缩放失效。

1. 时间顺序、估计误差与多重检验#

因子评价按信息时间划分训练、验证和测试区间，或使用只向过去取数的滚动、扩展窗口。财报期末日不能替代首次公开日，历史股票池不能用当前成分回填；退市收益、缺失值、极值、行业重分类和微盘股过滤规则都要在测试前固定。

IC 均值的独立样本单位是调仓时点，而不是一个截面的股票数。显著性检验要处理 IC 的时间自相关、重叠持有期和状态异方差；横截面相关则通过有效广度或区块抽样进入不确定性。尝试过多个因子、变换、期限和中性化方案时，应保留完整研发候选集并控制选择偏差，不能只对胜出模型报告常规 $t$ 值。

原书用 1987 至 2003 年的 Russell 3000 季度样本和当时的商业风险模型说明策略风险校准，并用前段样本估计缩放量、后段样本检验实现风险。该结果承担方法示范，只是特定市场、时期、股票池和风险模型下的五级证据，不构成当前风险模型普遍低估风险的结论。

2. 四层证据不能互相替代#

• 统计显著：风险调整 IC 的均值在规定推断方法下有别于零；多重检验后可能不再显著。
• 经济显著：预测强度足以覆盖模型误差、风险预算占用和必要运营成本；显著的小相关不一定有经济价值。
• 样本外有效：冻结定义和参数后，在未参与选择的数据上保持方向、幅度与风险特征；一次测试期成功仍可能来自状态运气。
• 成本后可交易：在目标股票池、约束、换手、价差、冲击、借券和容量下产生正的可实现净主动收益。

风险调整后消失的原始 IC 可能只是已知风险暴露；微盘股驱动的高 IC 可能无法容纳资本；高换手信号也可能只有毛预测价值。四层证据同时成立，才允许从“有预测相关”推到“可进入组合”。

3. 因子准入记录#

• 身份与方向：字段定义、经济机制、正负方向、缺失值与极值规则，以及与相近因子的区别。
• 信息集：供应商、观测期末、首次发布日期、允许使用日、修订和公司行动处理。
• 预测任务：股票池、基准、总收益或风险调整收益口径、预测期限、持有期与调仓频率。
• 单期技能：原始 Pearson IC、秩 IC、风险调整 IC、命中率及各自的不确定性；不得混报为同一个指标。
• 跨期稳定性：平均 IC、策略风险、自相关、状态依赖、有效广度、离散度修正与样本外衰减。
• 组合映射：风险模型版本、目标跟踪误差、实现主动风险、约束后的头寸变化及与既有因子的增量信息。
• 实施结果：预期换手、线性成本、市场冲击、借券、容量、压力状态和预先约定的降权或停用规则。

任一记录缺失，都无法把横截面预测证据递归地连接到成本后组合价值。