多因子 Alpha 模型

1. 从多个预测来源到一个分数#

多因子 alpha 模型（Multifactor Alpha Model）：利用多个事前可得的股票特征，预测未来指定期限收益或相对表现的模型。因子来自价值、质量、动量或估值判断；模型输出可以是排序分数，也可以是经过校准、具有收益率单位的 alpha 预测，两者不能直接互换。

线性复合分数（Linear Composite Score）：对各因子分数加权求和得到的预测变量。令决策时点为 $t$，股票数为 $N_t$，因子数为 $M$，则：

$\mathbf S_t\in\mathbb R^{N_t\times M}$ 的行对应股票、列对应因子；$\mathbf v\in\mathbb R^{M\times1}$ 是因子权重，$\mathbf c_t\in\mathbb R^{N_t\times1}$ 是股票复合分数。因子权重不是股票持仓权重。以下先研究在一个评价区间内固定的 $\mathbf v$；权重的选择只能使用区间开始前允许的训练信息。

特征、行业分类和风险估计必须属于时点 $t$ 的信息集 $\mathcal F_t$。将预测期限记为 $H$，则标签覆盖 $t$ 至 $t+H$；为简化记号，解析式采用 $H=1$。财报期末日不能替代首次可用日，当期实现收益及据此计算的 IC 只能在评价期结束后获得。

2. 标准化与隐含权重#

横截面离散度（Cross-sectional Dispersion）：同一时点、同一股票池内变量的标准差。对组合前的因子值 $z_{ij,t}$，采用共同样本、等权中心化和样本标准差：

因子标准化（Factor Standardization）：对因子作中心化和尺度调整，使各列具有可比较的单位；上述 $z$ 分数的截面均值为零、离散度为一。零离散度列不提供截面区分，应剔除或按事先规定停用，不能除以零。标准化不使分布自动正态，也不消除行业暴露或前视偏差。

固定标准化权重 $v_j$，相当于对中心化原始分数使用 $v_j/d_{j,t}$。例如两个原始分数的离散度为 $2$ 和 $1$，标准化后各取 $0.5$，对应原始系数为 $0.25$ 和 $0.5$。若下一期两种离散度交换，原始系数也交换。标准化去除了单位变化造成的被动支配，却同时引入相对于原始分数的时变权重；总换手是否下降仍须检验。

风险调整与标准化属于不同步骤。普通行业残差化、特质波动缩放和完整协方差调整具有不同内积及持仓含义；对各列必须使用一致的处理规则。对风险调整后的分数再次中心化，还须检查是否改变与投资约束相容的正交条件。

3. 复合 IC 的协方差展开#

信息系数（Information Coefficient, IC）：股票预测分数与随后指定期限实现收益之间的横截面相关。记评价收益向量为 $\mathbf y_{t+1}$，可以是原始收益，也可以是明确定义的风险调整收益，但各因子必须使用同一种口径。以下采用 Pearson 相关：

$\mathbf s_{j,t}$ 是 $\mathbf S_t$ 的第 $j$ 列；下标 $cs$ 表示跨股票计算。$\mathbf i_t$ 按特征日期 $t$ 标记，但要等 $\mathbf y_{t+1}$ 实现后才能计算。设分数相关矩阵为 $\boldsymbol\Phi_t=\mathbf S_t'\mathbf S_t/(N_t-1)$，收益离散度为 $d_{y,t+1}>0$，利用协方差的线性性：

复合 IC（Composite IC）：复合分数与同一期评价收益的相关。在 $\tau_t>0$ 时：

分子衡量加权预测与收益的共同变化，分母消除分数尺度。正比例放大全部权重不改变 IC，负比例放大会反转符号。若使用未标准化分数，应把分子改为 $\sum_j v_j d_{j,t}IC_{j,t}$，分母改用原始分数的协方差矩阵；协方差矩阵不能与相关矩阵混用。

自拟一个评价期：两个分数已标准化，$\phi_{12}=0.5$，权重各为 $0.5$，已实现 IC 分别为 $0.06$ 和 $0.04$，则：

复合 IC 不是单因子 IC 的加权平均，也不保证超过表现最好的单因子。该计算描述一个构造截面，不提供未来技能估计。

Spearman IC 衡量秩相关。要评价实际复合分数的秩相关，须先计算 $\mathbf c_t$，再对它重新排名；把各因子的 Spearman IC 直接代入上述 Pearson 恒等式，一般得不到复合 Spearman IC。

4. 从分数评价到组合收益#

在第 4 章的匹配风险调整与中性持仓下，令 $\mathbf p_{c,t}$ 为用于构建组合的风险调整复合预测，$\mathbf R_{t+1}$ 为对应的风险调整实现收益。无额外持仓边界、未扣交易成本且按目标风险缩放时：

$r_{A,t+1}$ 为相对指定基准的主动收益，$\sigma_t^*$ 为同期限目标跟踪误差，$IC_{c,t}^{\mathrm{RA}}$ 为上述两端变换后的相关。$\eta_{c,t}$ 修正风险调整预测可能不具有普通截面零均值的差异；其截面均值为零时 $\eta_{c,t}=1$。

只有其他乘数在跨期比较中足够稳定，复合 IC 的均值—波动比才可能近似组合信息比率。普通标准化分数、未经匹配的残差收益或受限持仓不能直接套用这一收益恒等式；预测排序改善也不等于成本后主动收益改善。

1. 股票截面与评价期序列#

因子分数相关（Factor-score Correlation）：在一个决策时点，跨股票计算的两个分数之间的相关。IC 相关（IC Correlation）：在多个已经完成的评价期上，两个 IC 序列之间的相关。前者回答“选出的股票是否相似”，后者回答“预测成效是否同期变化”。

令 $\mathbf i_t$ 为 $M$ 个因子的单期 IC 列向量，$\boldsymbol\mu_{IC}=E(\mathbf i_t)$。两种矩阵的对象与计算方向为：

两者均为 $M\times M$，但相同维度不表示可以替代。若 $\sigma_{IC,j}>0$，则 $\Omega_{IC,jk}=\rho_{jk,IC}\sigma_{IC,j}\sigma_{IC,k}$；单独的 IC 相关系数矩阵还缺少各因子的波动尺度。资产收益协方差和风险因子收益协方差则是另外的对象。

2. 半正定条件约束单期 IC#

固定一个评价期，以 $c_1,c_2$ 简记两个 IC，以 $\phi$ 表示两个标准化分数的相关。收益与两个分数组成的相关矩阵必须半正定：

在各相关系数均属于 $[-1,1]$ 的前提下，行列式非负给出：

将左式对 $c_2$ 配方，得到更直接的条件范围：

当 $|\phi|<1$ 时，$(c_1,c_2)$ 位于一个椭圆及其边界内。$\phi=1$ 时退化为 $c_2=c_1$，$\phi=-1$ 时退化为 $c_2=-c_1$；完全相同的分数不可能对同一个收益给出不同 IC。

图 7-1 按 $\phi=0.5$ 的半正定条件绘制，横纵轴使用相同尺度，属于理论可行域而非样本散点。

椭圆允许两个 IC 同号或异号，但不允许任意组合。逐期可行域约束不决定观测点随时间在域内如何运动，因此不能单凭 $\phi$ 推断 IC 序列相关。

对 $M$ 个因子，若分数相关矩阵 $\boldsymbol\Phi$ 正定，同一约束可写成 $\mathbf i'\boldsymbol\Phi^{-1}\mathbf i\leq1$。它也保证由这些输入计算的最大单期复合相关不超过一。成对删除缺失观测后拼接的相关矩阵未必半正定，应优先使用共同截面或一致的协方差估计方法。

3. 抽样误差不能解释全部 IC 相关#

在股票截面独立同分布、近似多元正态、股票数 $N$ 固定且真实 IC 接近零的理想模型下，样本 Pearson IC 的一阶抽样近似为：

若跨期变化只有上述抽样噪声，IC 相关才近似分数相关。样本协方差的 Wishart 关系不能直接充当样本 Pearson 相关的精确公式，后者还包含随机标准差分母。

真实预测技能可能随经济状态变化。以 $Z_t$ 表示状态变量，全协方差公式将 IC 协方差分为：

第一项包含给定状态下的随机波动，第二项来自条件平均技能的共同变化。不能只把更大的经验 IC 标准差代入理想抽样公式，而仍假设其协方差分子不变；股票相关、厚尾、状态变化和模型更新都可能改变它。

美国 Russell 3000 股票池在 1987—2004 年的 72 个季度研究中，三对因子的平均分数相关与风险调整 IC 相关如下。表内为 Qian、Hua 与 Sorensen（2007，第 7 章表 7.3—7.4）的历史报告值，不是重新估计的样本外结果。

这些差异说明，仅按持股排序是否相近判断预测成效的分散化，可能得出不同结论。因子方向、风险调整、股票池和期限必须与该研究口径匹配；上述数值不支持对其他市场或当前因子相关作同样假定。没有原始逐期数据，不能据此复核相关系数的置信区间或检验两个估计量之差。

1. 两种目标使用不同矩阵#

设 $\mathbf i_t\in\mathbb R^{M\times1}$ 的总体均值为 $\boldsymbol\mu_{IC}$、同一期向量的协方差为 $\boldsymbol\Omega_{IC}$。若因子已标准化、权重 $\mathbf v$ 固定，并且分数相关矩阵 $\boldsymbol\Phi_t=\boldsymbol\Phi$ 不随时间变化，则 $\tau=\sqrt{\mathbf v'\boldsymbol\Phi\mathbf v}>0$ 也不变：

IC 均值—波动比（IC Information Ratio, $IR_{IC}$）：某个 IC 序列的均值除以其标准差。将上述两式相除，常数尺度抵消：

最大平均 IC 惩罚的是分数截面的重叠，最大 $IR_{IC}$ 惩罚的是预测成效的跨期共同波动。前者使用 $\boldsymbol\Phi$，后者使用 $\boldsymbol\Omega_{IC}$。当 $\boldsymbol\Phi_t$ 明显变化时，$\tau_t$ 成为随机分母，不能把它从跨期均值和标准差中提出；此时应按每期实际分母计算完整的复合 IC 序列，或先转换到标准化正交基底。

2. 最优方向的推导与尺度#

两个问题均具有 $\mathbf v'\boldsymbol\mu/\sqrt{\mathbf v'\mathbf A\mathbf v}$ 的形式。对正定矩阵 $\mathbf A$，由 Cauchy–Schwarz 不等式：

在 $\boldsymbol\mu\neq\mathbf0$、允许任意正负因子权重且选择正期望方向时，等号要求 $\mathbf v=k\mathbf A^{-1}\boldsymbol\mu$，其中 $k>0$。分别代入两种矩阵：

这些是方向解，不是股票持仓解。令权重和为一仅用于展示；若方向向量的元素和不为正，强行除以该和可能反转目标方向，或者无法归一化。此时可按正范数定尺度；非负、权重上限或其他约束则需要另行优化。

将 $\boldsymbol\mu_{IC}$ 换成已经实现的 $\mathbf i_t$，可以计算该期事后最大相关，但无法获得事前策略。实际预测使用训练期形成的 $\widehat{\boldsymbol\mu}_{IC,t}$ 和允许时点内估计的矩阵；样本均值、协方差和最优方向都具有估计误差。

3. 两因子例：较高平均 IC 不保证较高稳定性#

自拟一个固定参数模型，设平均 IC、分数相关和 IC 协方差为：

两个 IC 的标准差为 $0.10$ 和 $0.04$，时间序列相关为 $0.001/(0.10\times0.04)=0.25$，并不等于分数相关 $0.5$。两矩阵均正定。解线性方程并按正的权重和归一化：

以同一股票池、期限和风险调整口径比较，表内比率均未年化：

最大平均 IC 给第一个因子更高权重，却同时承受更大的技能波动；最大稳定性方案主要配置第二个因子。表内只是给定参数下的理论计算，未包含参数误差、交易成本和股票持仓约束，不是三种实盘策略的绩效排名。

4. 相关性、负权重与近奇异风险#

对两个因子，令 $\mu_j$、$\sigma_j$ 分别表示单因子 IC 均值与标准差，$q_j=\mu_j/\sigma_j$，$\rho$ 为两个 IC 序列的相关。无约束方向可写成：

当 $q_1>q_2>0$ 且 $|\rho|<1$，第二个因子权重在 $\rho=q_2/q_1$ 处为零。超过该边界，无约束解对第二个因子取负权重；这表示在复合预测中反向使用它，不等于直接卖空某只股票。

图 7-2 另取 $q_1=1$、$q_2=0.5$，比较允许正负因子权重与仅允许非负因子权重的结果。曲线按公式生成，未连接 $\rho=\pm1$ 的奇异点。

相关上升至 $0.5$ 前，分散化收益减弱；超过 $0.5$，无约束曲线靠正负因子对冲回升，非负权重方案停留在单因子比率 $1$。因此，“相关越低，最优比率越高”不能不加条件地描述整个无约束区间。

接近奇异矩阵时，极大正负权重依赖对两个因子微小技能差的准确估计。应检查特征值或条件数，并比较删除重复因子、均值及协方差收缩、因子权重上限等处理；约束后的解须重新评价，不能把负权重截为零后仍称为无约束最优解。数值实现优先求解线性方程，而不是显式计算逆矩阵。

5. 无截距回归的代数桥梁#

将 $T$ 个已经完成的评价期排列成 $\mathbf C\in\mathbb R^{T\times M}$，每行为 $\mathbf i_t'$。令样本均值为 $\widehat{\boldsymbol\mu}$，并明确使用分母 $T$ 的中心化协方差 $\widehat{\boldsymbol\Omega}_0$：

以全一向量 $\mathbf1_T$ 为因变量、$\mathbf C$ 为解释变量，运行无截距普通最小二乘回归。若 $\widehat{\boldsymbol\Omega}_0$ 正定，利用秩一更新恒等式，系数为：

该系数与样本最优稳定性方向相同。若采用分母 $T-1$ 的样本协方差，需先乘 $(T-1)/T$ 才能代入上述等式；方向仍相同，但尺度公式不同。

此处每一行是一个评价期，因变量恒为一；它不是以股票未来收益为因变量的 Fama–MacBeth 回归。回归只是计算桥梁，普通回归标准误也不自动覆盖因子筛选、协方差估计、模型选择和时序依赖带来的全部权重不确定性。

1. Gram–Schmidt 的共同信息分配#

Gram–Schmidt 正交化（Gram–Schmidt Orthogonalization）：按照给定顺序，把每个变量在先前正交变量张成空间上的投影扣除，再标准化为单位长度或单位离散度的过程。对当期零均值、单位离散度的因子列 $\mathbf s_{j,t}\in\mathbb R^{N_t}$，采用截面内积 $\langle\mathbf a,\mathbf b\rangle=\mathbf a'\mathbf b/(N_t-1)$：

$a_{jk,t}$ 为投影系数，$\mathbf e_{j,t}$ 为剩余分数；分母来自正交投影的方差分解。以上要求每一步剩余方差为正。完全冗余的因子没有新的线性方向，应删除；近冗余因子的归一化会放大噪声，应设定数值容差并检查条件数。

对两个分数，记相关为 $\phi_t$，则：

先进入的因子保留共同部分，后进入的因子只保留尚未被解释的部分。改变顺序会改变“增量信息”归属；正交只表示这一截面内积为零，不表示统计独立或因果识别。数值实现可使用修正 Gram–Schmidt 或稳定的 QR 分解。

2. 残差 IC 不等于偏相关#

残差 IC（Residual IC）：某个因子的分数对指定控制变量残差化后，与未作同样残差化的评价收益之间的相关。对两个标准化因子，以 $c_1,c_2$ 表示原始 IC，以 $\phi$ 表示分数相关，剔除因子 1 后：

残差是否重新标准化不改变其相关，但会改变以它为解释变量时的回归系数尺度。由第二节的可行条件：

给定 $c_1$ 后，残差 IC 的绝对值至多为 $\sqrt{1-c_1^2}$，不能任意取满 $[-1,1]$。

偏相关（Partial Correlation）：把两个被考察变量均对同一组控制变量残差化后，两个残差之间的相关。若分数 2 与收益都剔除分数 1，且两端残差方差均为正，则：

分母中额外的 $\sqrt{1-c_1^2}$ 来自收益端的残差化。净化 alpha、残差 IC 和偏相关的区别取决于控制变量集合、回归内积及是否同时处理收益端，不能仅凭“已中性化”判断三者相同。

图 7-3 展示分解式中 $c_1$ 与残差 IC 的系数，属于解析权重曲线。端点仅表示系数的极限，完全共线时标准化残差本身不存在。

分数相关为 $0.8$ 时，两项系数为 $0.8$ 和 $0.6$；高度相关的分数仍可能保留增量方向。但某项系数较大，不代表它实际提供更多预测信息，还要乘以相应 IC 并检查其跨期稳定性。

逐个把每个因子对“其余全部因子”残差化，不等同于顺序 Gram–Schmidt。两个因子相互残差化后，两个标准化残差之间的相关为 $-\phi$，一般不为零；不能据此把残差 IC 的协方差矩阵设为对角矩阵。

3. 正交分数仍需估计 IC 协方差#

令 $\mathbf S_t^o$ 为标准化正交分数矩阵，$\mathbf i_t^o$ 为其 IC 列向量。固定正交基底权重 $\mathbf v^o$ 后：

分母恒定，不再需要假设原始分数相关矩阵不变。仍须由相同正交顺序生成的历史序列重新估计 $\boldsymbol\mu_{IC}^{o}=E(\mathbf i_t^o)$ 与 $\boldsymbol\Omega_{IC}^{o}=\operatorname{Cov}(\mathbf i_t^o)$，再求解 $\mathbf v^{o,*}\propto(\boldsymbol\Omega_{IC}^{o})^{-1}\boldsymbol\mu_{IC}^{o}$。截面上两个分数不相关，不排除它们在相同市场状态下同时有效或失效。

主成分分析（Principal Component Analysis, PCA）：按解释变量方差的大小寻找相互正交的线性组合。它可以构造另一种正交基底，但最大分数方差不等于最大预测能力。将主成分用于上述公式，还须缩放到单位离散度，并处理跨期符号、特征值排序和相近特征值对应子空间的旋转；删除主成分也会改变可用信息空间。

4. 等价的是配套变换后的模型#

采用“股票为行”的矩阵约定，设 $\mathbf S_t^{\mathrm{new}}=\mathbf S_t\mathbf A$，其中 $\mathbf A\in\mathbb R^{M\times M}$ 固定且可逆，变换后各列仍按同一口径标准化。则：

预测不变，因为 $\mathbf S_t^{\mathrm{new}}\mathbf v^{\mathrm{new}}=\mathbf S_t\mathbf v$。在固定分数相关、完整保留基底且可行约束同步转换的条件下，原始与残差基底的最优复合预测只是同一模型的不同坐标表达，正交化没有凭空创造信息。

若每期使用 $\mathbf A_t$，固定新权重对应原始权重 $\mathbf v_t=\mathbf A_t\mathbf v^{\mathrm{new}}$，原始权重随时间变化。它不再属于原始分数的固定权重模型；若又对两套权重分别施加相同的非负限制，其可行预测集合也通常不同。这两种变化都可能改变预测、换手和成本。

1. OLS 系数与原始设计矩阵#

普通最小二乘回归（Ordinary Least Squares, OLS）：通过最小化残差平方和估计线性关系的方法。固定特征日期 $s$，以股票为观测单位，回归随后实现的评价收益：

$\mathbf s_{i,s}\in\mathbb R^{M\times1}$ 是股票 $i$ 在 $s$ 时可得的分数，$\boldsymbol\gamma_s$ 为截面斜率，$a_s$ 为截距。$y$ 的收益和风险调整口径必须固定；只有 $y_{i,s+1}$ 实现后，才能估计 $\widehat a_s$ 和 $\widehat{\boldsymbol\gamma}_s$。

对共同截面、已中心化且单位离散度的分数，若相关矩阵 $\boldsymbol\Phi_s$ 可逆，正规方程给出：

$\mathbf i_s$ 为各单因子对同一收益的 Pearson IC，$d_{y,s+1}$ 为收益截面标准差。有截距时，中心化分数使斜率可直接写成上式；截距等于收益截面均值。单因子情形退化为 $\widehat\gamma_s=IC_s d_{y,s+1}$。多因子系数控制了其他列的共同信息，所以一般不等于各单因子 IC 乘收益离散度。

回归预测仍使用对应的原始设计矩阵。 若在决策时点 $t$ 已由允许的历史数据得到预测系数 $\widehat{\boldsymbol\gamma}_{\mid t}$，则：

“控制其他变量后的边际关系”解释的是系数含义，不要求把全部解释变量改成残差后再乘同一组系数。软件实现中的预测输入也就是系数和与之配套的设计矩阵（statsmodels，OLS.predict）。¹

2. 残差化解释与 FWL 恒等式#

Frisch–Waugh–Lovell 定理（Frisch–Waugh–Lovell Theorem, FWL）：在线性最小二乘回归中，将目标解释变量和因变量对其余解释变量残差化，再回归所得斜率，与完整回归中目标变量的斜率相同。

固定一个截面，令 $\mathbf Z$ 包含常数、风险控制变量和其余 alpha 因子，$\mathbf s_j$ 为待解释的一列分数。若 $\mathbf Z$ 满列秩，定义：

$\mathbf M_Z$ 为 $N\times N$ 残差生成矩阵，$\mathbf e_j$ 为目标因子的残差。由于 $\mathbf e_j'\mathbf Z=\mathbf0$ 且 $\mathbf M_Z$ 对称、幂等，完整回归的正规方程可以化为：

最后一式要求残差和收益方差为正；$c_j^{\mathrm{res}}$ 是残差对未残差化收益的相关，$d_{e_j}$、$d_y$ 是二者截面标准差。该等式保留了多元回归的增量解释，但单个系数不是某个原始因子独立运行的组合收益，也不是现有持仓的绩效归因。

自拟两个标准化分数，$c_1=0.06$、$c_2=0.04$、$\phi=0.8$，评价收益标准差为 $d_y=5\%$。第二个残差 IC 为：

两项 OLS 系数为：

两个原始 IC 均为正，第二个增量系数仍可为负。若截距为零，一只股票的原始分数为 $(1,1)$，配套的拟合收益为 $\widehat\gamma_1+\widehat\gamma_2\approx0.277778\%$，约为 $27.7778$ 个基点。这是截面拟合演示，不是可在标签实现前取得的预测。

将两个分数分别对对方残差化并标准化后，该股票的两个新分数均为 $1/3$。若错误沿用原系数，只得到约 $9.2593$ 个基点；正确的新系数为 $(0.005,1/300)$，乘回新分数才恢复约 $27.7778$ 个基点。改变解释变量基底而不改变系数，才是这里的错误。

3. Fama–MacBeth 的两种迭代维度#

Fama–MacBeth 回归（Fama–MacBeth Regression）：逐期估计截面回归系数，再对系数的时间序列均值进行推断的程序。第一步固定一期、跨股票拟合；第二步固定模型规则、跨已经完成的评价期汇总。数据具有“股票 × 时间”结构，不等于必须使用合并面板回归。

令 $\widehat\gamma_{j,s}$ 为第 $s$ 个截面估计的第 $j$ 项系数，共有 $T$ 个可用评价期。检验 $H_0:E(\widehat\gamma_{j,s})=0$ 时：

若各期系数独立、具有稳定均值和有限方差，样本标准差记为 $s_{\gamma,j}$，则 $\widehat{\operatorname{SE}}(\bar\gamma_j)=s_{\gamma,j}/\sqrt T$。例如四期系数为 $1\%,2\%,0,1\%$，均值为 $1\%$，样本标准差为 $0.816497\%$，均值标准误为 $0.408248\%$，所以 $t=2.449490$，而不是均值除以标准差所得的 $1.224745$。

若系数或收益标签存在跨期相关，应采用适合该依赖结构的异方差与自相关稳健标准误（Heteroskedasticity and Autocorrelation Consistent, HAC）。令 $\boldsymbol\Gamma_\ell=\operatorname{Cov}(\widehat{\boldsymbol\gamma}_s,\widehat{\boldsymbol\gamma}_{s-\ell})$，平稳且自协方差可加总时，长期协方差为：

样本实现使用有限带宽和核权重估计该对象；重叠期距是带宽选择的依据之一，不是其唯一依据。单期股票异方差、系数跨期自相关与标签重叠属于不同问题，不能用同一个“稳健”标签替代说明。linearmodels 的 Fama–MacBeth 协方差实现同样以逐期系数为对象，并区分是否处理自相关。²

在系数与残差 IC 之间的比例因子 $d_y/d_e$ 为正常数、各期独立，且残差 $IR_{IC}$ 使用同一样本均值和样本标准差计算时，$t_{FM}=\sqrt T\,IR_{IC}^{\mathrm{res}}$；比例因子时变或采用相关稳健标准误后，这一简式不再成立。股票数影响一期截面估计的精度，但不能代替第二步的独立时间样本数。

资产定价检验中的解释变量可以是事先估计的风险暴露，系数对应所设定模型中的风险价格；特征预测研究则检验事前特征与未来收益的增量关系。解释变量含有估计误差时还需检查相应推断修正。显著平均系数不自动证明因果、风险补偿机制、最优因子权重或成本后可交易性。

4. 预测系数、IC 配置与模型选择#

把截面回归用于预测，可以在完成的历史评价期上平均或按预定规则更新系数，再将它们施加到同一设计矩阵。该方法以估计收益关系为任务，不自动优化 $IR_{IC}$。只有在分数相关和收益离散度均固定等特定条件下，平均 OLS 斜率才与最大平均 IC 的方向相联系。

若任务改为优化正交因子或残差因子的 $IR_{IC}$，必须先生成相同基底的完整历史分数与 IC 序列，重新估计其均值和协方差，再求配置权重。用回归系数恢复残差 IC 时，应逐期计算 $c_{j,s}^{\mathrm{res}}=\widehat\gamma_{j,s}d_{e_j,s}/d_{y,s+1}$；不能忽略两个离散度的变化。

另一种评价方法是先给定一组因子权重，形成一个复合分数，再与风险控制变量一起做逐期回归。此时检验的是复合预测剔除风险变量后的增量关系，没有“其他 alpha 因子”这一组额外控制。比较候选权重仍属于模型选择，不能反复搜索最高样本内 $t$ 统计量，再把同一期间称为独立测试集。

$IR_{IC}$ 的定义始终是单期 IC 均值除以单期标准差；存在自相关不会自动改变定义。长期协方差用于均值标准误和累计表现的长期方差，是另一个对象。按每年 $K$ 期乘 $\sqrt K$ 年化，需要非重叠、适当稳定及跨期不相关等条件；若以长期风险为优化目标，应另外声明目标及其协方差，而不是悄悄替换单期 $\boldsymbol\Omega_{IC}$。

5. 按可得信息推进样本外组合#

在决策时点 $t$ 更新模型，只能使用标签已结束的历史截面：$s+H\leq t$。特征处理保留当时的股票池、可用财报、行业分类和风险估计；各因子的 IC 及相关矩阵尽量使用共同股票样本。同一时点对已可得截面中心化并不天然构成泄漏，但跨期拟合的插补参数、筛选规则和收缩强度必须服从训练边界。

训练期估计分数相关的时变程度、IC 均值及协方差；验证期选择权重约束、正交顺序、窗口和更新频率。对重叠前瞻标签，分割时检查收益覆盖区间并剔除跨越边界的训练标签，不能仅按特征日期随机切分。等权、单因子和固定简单权重应与复杂模型使用相同的股票池、期限、风险目标及成本设定。

测试阶段锁定方法，逐期用当时可得分数形成 $\mathbf c_t$。若相关时变，使用当期实际 $\tau_t$ 形成归一化分数，并在收益实现后直接计算复合 IC；不要用期末估计的相关矩阵回填历史。若要输出收益率预测，还需在训练信息内校准分数与目标收益的尺度，不能把一个无量纲 $z$ 分数直接当作预期收益率。

股票层构建接收 alpha 预测、资产风险协方差、基准、持仓约束与成本，而不是仅接收因子权重。换手应从计入漂移后的实际持仓计算；正交化和标准化造成的隐含权重变化，也须进入第 8 章的换手评价。最后分别报告复合 IC、真实主动收益与跟踪误差、约束损耗、换手、费用和容量。只有在这些接口下仍保留优势，预测层的分散化才转化为可实现的净组合收益。