高级 Alpha 建模

1. 共同风险不等于共同预测关系#

alpha 模型（Alpha Model）：利用决策时点可得的信息，预测股票未来指定期限收益或相对表现的模型。输出为排序分数时没有收益率单位；输出为 alpha 预测时，必须说明基准、风险调整方式和预测期限。

风险模型估计收益如何共同波动。对时点 $t$ 的 $N_t$ 只股票，线性因子表示及其条件协方差为：

$\mathbf r_{t+1}$ 是 $N_t\times1$ 单期总收益向量；$\mathbf X_t$ 是事前可得的 $N_t\times K$ 风险暴露矩阵；$\mathbf f_{t+1}$ 是随后实现的 $K\times1$ 因子收益，$\mathbf F_t$ 为其条件协方差；$\mathbf D_t$ 是特质收益 $\boldsymbol u_{t+1}$ 的条件协方差。上式要求共同因子与特质收益条件不相关；$\mathbf D_t$ 为对角矩阵还要求特质收益彼此条件不相关。因子收益并非期初已知，特质收益也不自动成为可预测 alpha。

静态线性预测把所有股票映射到同一组因子权重：

$\mathbf s_{i,t}\in\mathbb R^{M\times1}$ 是股票 $i$ 的标准化预测因子列向量，$\mathbf v\in\mathbb R^{M\times1}$ 是因子权重，$s^S_{i,t}$ 是无量纲静态分数。右式示意如何把分数校准为未来 $H$ 期风险调整收益：截距 $\widehat a_t$ 与斜率 $\widehat b_t$ 只能由时点 $t$ 已完成的历史预测—收益配对估计。$H$ 须指定日、月或季度，不能把未经校准的分数直接输入要求收益率单位的优化器。

这一基准模型同时限制了三个维度：不同公司使用相同权重；因子的边际作用不随其水平改变；权重不随时间更新。因子系数为正时，线性模型才意味着分数越高、预测越高。放松限制可能降低模型偏差，也会增加估计方差，不能预先断言复杂模型优于线性基准。

2. 预测输入与证券情境#

情境变量（Context Variable）：在预测形成时已知、用于改变一个或多个因子作用方向或强度的公司特征。

证券情境（Security Context）：依据情境变量形成的股票子集，或股票对某类公司状态的连续隶属程度。情境描述预测关系适用的环境，不得由未来收益、事后赢家或测试期表现反向定义。

情境 alpha 模型（Contextual Alpha Model）：令因子权重随公司情境变化的条件预测模型。相同因子值可以因经营环境、增长机会或信息可靠性不同而产生不同预测。

五类复合预测输入具有不同的经济任务：

• 相对价值（Relative Value, RV）：以账面资产、盈利或销售相对价格及企业价值的比率度量可比公司的相对便宜程度；正向分数通常奖励较高收益率或较低估值，但负盈利、负企业价值须单独处理。
• 经营效率（Operating Efficiency, OE）：综合资产周转改善、经营现金流利润率等信息，衡量资源转化为经营成果的能力；经营杠杆的方向依赖成本结构与需求状态，不能统一视为越高越好。
• 会计应计（Accounting Accrual, AA）：利用利润与经营现金流的差异等字段评价盈利的现金支持；低应计可以构成正向假设，但应计本身不是财务舞弊或管理层诚信的判定。
• 外部融资（External Financing, EF）：利用债务发行、股权发行及股本扩张识别融资行为；保守融资分数可以反向编码扩张强度，仍须区分低回报扩张与支持正净现值项目的融资。
• 动量（Momentum, MO）：综合中期价格趋势、分析师盈利预测修订和盈利意外，刻画已进入市场的信息是否继续影响收益；预测修订必须使用当时的历史版本。

三类公司状态可以分别改变这些输入的作用。价值状态可用账面市值比划分：高比率可能对应低价格，也可能对应盈利受损、资产减值或行业会计差异，不能直接定义为低质量。成长状态区分现有业务与未来增长机会在估值中的相对重要性：低成长企业可能更适合用现有现金流比较价格，高成长企业还要检验增长的盈利质量与信息兑现。盈利波动状态刻画历史盈利稳定程度：盈利越难预测，分析师预测及估值分母可能越不可靠，但这种关系需要数据检验。

每个维度可以分为高、低两组；同一维度的两组互斥，不同维度之间可以重叠。一只股票可以同时是高成长、低账面市值比和高盈利波动公司，不能把三对情境当作六个互斥股票池。复合因子与情境的上述组织方式见 Qian、Hua、Sorensen（2007），第 9 章 9.2 节及表 9.1。

3. 从硬分组到连续条件权重#

设股票 $i$ 的已知情境值为 $c_{i,t}$，高、低情境的 $M\times1$ 因子权重为 $\mathbf v_H$、$\mathbf v_L$。两组分数须使用同一因子方向和尺度，随后按隶属度组合：

$g(c)\in[0,1]$ 是高情境隶属度，$s^C_{i,t}$ 是条件分数。硬分组取 $g(c)=\mathbf1\{c\geq0\}$；一个连续的教学设定为：

阈值和过渡区宽度由允许的训练与验证信息确定；当期可得股票截面的排名可以实时计算，但不能用全样本分位点回填历史。图中比较固定阈值与连续过渡，不表示估计出的最优分组。

硬分组在阈值处跳变，连续隶属在过渡区内逐渐改变模型权重。平滑消除了这类离散跳变，但并不保证最终持仓换手下降。

自拟两因子例：$\mathbf v_L=(0.7,0.3)'$、$\mathbf v_H=(0.2,0.8)'$，一只股票的因子值固定为 $\mathbf s=(1,0.5)'$。它在低情境的分数为 $0.85$，高情境为 $0.60$；当 $c=0.2$ 时，$g=0.6$，得到：

条件权重改变的是同一组输入的解释方式，不是新增了未来信息。即使映射函数与参数固定，公司状态变化也会使其预测变化；这与根据所有股票共同面对的宏观或日历状态进行因子择时不同，后者见第 10 章。

1. 组内相关不能任意平均#

条件信息系数（Conditional Information Coefficient）：在事前定义的证券情境内，预测分数与随后指定期限收益的横截面相关。以下采用 Pearson 相关；股票池、收益风险调整、期限和截面权重在组间保持一致。

固定一个决策时点，记预测分数为 $f_i$、未来实现的评价收益为 $y_i$，组别为 $g$，组内股票数为 $N_g$，总股票数为 $N$，$p_g=N_g/N$。以各自股票数为除数定义截面协方差和方差，可精确分解为：

$d_{f,g}$、$d_{y,g}$ 是组内离散度，$IC_g$ 是组内相关，横线表示相应组内或全池均值，$cs$ 表示跨股票。第一项来自组内共同变化，第二项来自组间均值差异；全池 IC 还要除以全池的 $d_f d_y$。收益实现前不能计算当期 $IC_g$，只能按已知特征确定分组。

在两组股票数相等、预测与收益各自在组间具有相同均值和相同离散度等充分条件下，可得到：

仅有等股票数并不足够。自拟四只股票，分数为 $(-3,-1,1,3)$，评价收益为 $(-1,-3,3,1)$，前两只、后两只分别构成两个事前组。两组内部的相关均为 $-1$，全池却有 $\operatorname{cov}_{cs}(f,y)=3$、$d_f^2=d_y^2=5$，所以全池相关为 $0.60$。组间差异足以反转组内结论；实际模型应同时检查组内排序和组间配置贡献。

2. 条件信号的复合 IC 与稳定性目标#

将 $M$ 个因子分别与高、低情境隶属度相乘，可形成 $2M$ 个条件信号。例如低组列为 $[1-g(c_{i,t})]s_{ij,t}$，高组列为 $g(c_{i,t})s_{ij,t}$。在共同股票池内按一致规则中心化、标准化这些列，得到 $N_t\times2M$ 的矩阵 $\mathbf S_t^C$。条件权重堆叠为 $\mathbf v=(\mathbf v_L',\mathbf v_H')'$，均为列向量。

令 $\mathbf i_t\in\mathbb R^{2M\times1}$ 为这些标准化条件列各自与同一期评价收益的 IC，$\boldsymbol\Phi_t\in\mathbb R^{2M\times2M}$ 为这些列的横截面相关矩阵。由协方差线性性，实际复合相关为：

条件列的全池 IC 不一定等于原组内 IC；软隶属、组数不等和标准化都会改变尺度。不能把组内统计量直接装入上式，除非已经证明相应映射。多维情境重叠时，也须直接估计实际条件列之间的相关，而不是当作独立机会累加。

IC 稳定性比率（IC Mean-to-Standard-Deviation Ratio）：一条 IC 时间序列的均值与标准差之比，记为 $IR_{IC}$。它与组合主动收益除以实现跟踪误差的 $IR$ 是不同指标。

在评价区间内固定权重，且归一化分母 $\sqrt{\mathbf v'\boldsymbol\Phi_t\mathbf v}$ 不随时间变化时，记 $\boldsymbol\mu_{IC}=E(\mathbf i_t)$、$\boldsymbol\Omega_{IC}=\operatorname{Cov}(\mathbf i_t)$，则：

$\boldsymbol\Omega_{IC}$ 是 $2M\times2M$ 的跨期协方差，包含同一情境内因子成效的相关，也包含不同情境之间的成效相关；它不是 $\boldsymbol\Phi_t$，也不是股票收益协方差。分母明显时变时，应逐期计算实际 $IC_{C,t}$ 再评价，不能无条件消去归一化项。

若 $\boldsymbol\Omega_{IC}$ 正定、$\boldsymbol\mu_{IC}\ne\mathbf0$，且允许任意正负因子权重，可固定 $\mathbf v'\boldsymbol\Omega_{IC}\mathbf v=1$，最大化 $\mathbf v'\boldsymbol\mu_{IC}$。一阶条件给出：

比例常数取正，尺度由另行选定的归一化规则决定；这不是满足资金、风险和持仓约束的股票权重解。估计时用历史样本均值与协方差代替总体量，检查正定性、条件数，并优先解线性方程而非显式求逆。相关因子或过多情境会放大估计误差，可用协方差收缩、向全局模型收缩和权重边界限制极端解。

3. 无平均技能的情境仍可能具有对冲作用#

在等组数、同尺度、组间均值项已消除的单因子设定下，高低两组的 IC 在条件列中具有相同的固定缩放，因而可直接用组内统计量计算稳定性比率。记跨期均值为 $\mu_H,\mu_L$，标准差为 $\sigma_H,\sigma_L>0$，同期 IC 序列相关为 $\rho$，则：

若 $\mu_H>0$、$\mu_L=0$，两组等权时的比率低于只用高组的 $\mu_H/\sigma_H$，当且仅当：

其中等权组合方差须为正。非负相关通常使低组只增加噪声；足够负的相关可能提供分散化。$\mu_L=0$ 只表示没有平均技能，不表示每期 $IC_L$ 都为零。

自拟月频参数：$\mu_H=0.04$、$\mu_L=0$、$\sigma_H=\sigma_L=0.04$、$\rho=0.25$，不作年化。等权、仅高组和允许对冲的最优方向分别得到：

若用权重和为一归一化，最优因子权重为 $(4/3,-1/3)$。低组的负权重源于其与高组的正相关，而非负平均技能；本例若禁止负因子权重，最优选择是停用低组。图中固定 $v_H=1$，只改变相对权重 $v_L/v_H$。

峰值位于相对权重 $-0.25$；从等权改为仅高组带来的改善，大于进一步加入对冲的改善。参数来自教学设定，估计误差、交易约束和成本可能完全抵消后一段增益。

1. 不同权重是否超出了抽样误差#

均方根模型距离（Root-Mean-Square Model Distance）：在因子基底、尺度和权重归一化方式相同的条件下，两个模型权重差异的均方根。对 $M\times1$ 的估计向量 $\widehat{\mathbf v}_A,\widehat{\mathbf v}_B$，令 $\Delta\mathbf v=\widehat{\mathbf v}_A-\widehat{\mathbf v}_B$，则：

自拟 $\widehat{\mathbf v}_A=(0.50,0.30,0.20)'$、$\widehat{\mathbf v}_B=(0.40,0.35,0.25)'$，得到 $d_{RMS}=\sqrt{0.005}\approx0.0707$，即权重坐标差异的均方根为 7.07 个百分点。距离大说明参数不同，不证明预测信息更多；相关因子之间的权重替换可能几乎不改变预测。

配对重抽样（Paired Bootstrap）：每次按同一批日期共同抽取全部因子和情境的观测，并重新估计模型，以保留同期依赖和模型差异的抽样结构。对历史 IC，每次重估均值、协方差、最优方向及归一化权重，才得到完整的权重抽样分布；存在跨期依赖时，应抽取连续日期块。不能分别打乱各因子或高低组，也不能把股票数当作独立的时间样本数。

以某一情境的权重分布作为参考，可计算差异相对该分布的椭球距离。若权重和固定为一，则完整协方差满足 $\boldsymbol\Lambda_g\mathbf1=\mathbf0$，不能直接求通常的逆。取 $A\in\mathbb R^{(M-1)\times M}$ 选出独立权重坐标，记 $\boldsymbol\delta=A\Delta\mathbf v$、$V_g=A\boldsymbol\Lambda_g A'$，在 $V_g$ 正定时：

$\boldsymbol\Lambda_g$ 是参考情境 $g$ 的重抽样权重协方差。更换参考组会改变估计精度及统计距离，因此两个方向通常不同。图中使用独立的二维高斯教学分布：中心分别为 $(0,0)$ 和 $(2,0)$，参考协方差为 $I_2$ 和 $0.25I_2$；坐标是已缩放的两个独立权重对比量，不是股票收益。

同一中心差异对应 $Q_A=4$、$Q_B=16$；二维高斯的 95% 参考椭球边界为 $-2\ln(0.05)\approx5.99$。另一模型的中心落在较宽参考椭球内，却落在较窄参考椭球外，差异来自参考分布而非几何距离变化。

比较两个估计向量是否相同时，应使用配对重抽样差异的协方差：

星号表示重抽样。该协方差包含两模型估计误差的交叉项，不能任意选一个模型的协方差替代。渐近正态、内部解及独立坐标满秩等条件成立时，才可使用相应秩的卡方近似；活跃权重边界、不稳定优化或重度正则化下，应使用与原假设相容的重抽样校准。单个参考椭球、联合差异检验与样本外预测比较回答的是三个不同问题。

2. 条件均值、波动与相关应联合比较#

美国 Russell 1000 的一项历史情境研究采用 Compustat 财务数据、IBES 盈利预测和 BARRA US E3 风险资料，总体研究区间为 1986 年 12 月至 2004 年 9 月。下表摘录成长维度的风险调整 IC 报告值，不是重新估计的结果；这些数字不能外推为当前参数。

资料：Qian、Hua、Sorensen（2007），第 9 章表 9.2，转引 Sorensen、Hua、Qian（2005）的情境研究。原始逐期数据未提供，各表有效期数不能仅由总体区间推定。

该样本中，相对价值在低成长组具有更高平均 IC 和较低波动；动量在高成长组的平均 IC 更高，但波动也更高。盈利波动维度还给出另一种差异：RV 的两组平均 IC 都为 $0.023$，标准差却为 $0.105$ 与 $0.076$。平均技能相同不表示模型风险相同。

相关结构同样会改变权重。高、低成长组的 RV 与 MO 的 IC 序列相关分别为 $-0.71$ 和 $-0.25$，因此不能只按平均 IC 的大小分配权重。这里比较的是因子成效随时间的共同变化，不是股票截面的因子值相关。（资料：同上，表 9.2–9.3。）

上述历史比较使用两样本均值与方差检验。对同期高低组，更合适的复核对象是逐期差值 $IC_{H,t}-IC_{L,t}$；其均值标准误要匹配跨期依赖。多个因子、情境和阈值同时筛选时，还须控制研究选择与多重检验。单项显著、权重显著不同和样本外表现改善不能相互代替。

3. 增量分数的 Fama–MacBeth 检验#

Fama–MacBeth 回归（Fama–MacBeth Regression）：先逐期进行股票横截面回归，再对得到的系数时间序列求均值并评价不确定性的两阶段程序。用于特征预测时，研究对象是分数的增量预测关联，不自动构成风险溢价或因果识别。

固定预测时点 $t$，静态分数 $s^S_{i,t}$、情境分数 $s^C_{i,t}$ 和控制变量列向量 $\mathbf z_{i,t}\in\mathbb R^{K\times1}$ 都已知。先在当期股票截面，把情境分数对截距、静态分数和相同控制变量投影：

$e^C_{i,t}$ 是情境分数中无法由该线性投影解释的部分。这个步骤只使用当期已知输入，可以实时执行，不必把所有截面投影都限制为历史训练期变换；但两套预测模型本身必须在形成分数前完成训练。

待未来 $H$ 期收益实现后，在同一股票截面估计：

$y_{i,t+H}$ 是从 $t$ 到 $t+H$ 的实现评价收益，所有模型使用相同的总回报、基准调整或残差收益口径；$\beta_{C,t}$ 是增量情境分数的截面斜率。以 $T$ 个已完成评价期估计其均值：

标准误的样本维度是日期，不是股票数。收益标签重叠时，系数序列可能具有机械自相关，还须考虑其他持续性；采用与实际依赖匹配的长期方差估计或时间块重抽样。

反过来把静态分数对情境分数残差化，可以解释“静态模型剩余的信息”，但在相同样本、控制变量及满秩条件下，正反两种回归只是同一解释空间的不同基底，不是两次独立证据。残差静态分数系数显著为负，表示条件关联方向与原分数方向相反，不能据此宣称静态信息毫无用途或情境模型在一切意义上完全支配。残差检验设计及历史应用见 Qian、Hua、Sorensen（2007），第 9 章表 9.7。

4. 历史组合比较与时序验证边界#

预测比较应在相同股票池规则、预测期限、基准、风险模型、目标风险、杠杆和约束下进行，只让预测规则及其产生的持仓变化。对同一期组合收益之差进行配对检验，可以减少共同市场冲击对比较的干扰。

一组历史测试按季度调仓，构造资金中性、市场 beta 与规模暴露为零、目标年化跟踪误差为 5% 的组合，报告如下：

资料：Qian、Hua、Sorensen（2007），第 9 章表 9.6；同一历史情境研究。这里保留报告口径，不将其视为经独立复核的净投资收益。

综合模型与静态模型的年化收益差为 $8.57\%-7.41\%=1.16\%$，即 1.16 个年化百分点，不是单季度改善。盈利波动模型的收益更高、实现 $IR$ 却更低，说明目标风险不等于实现风险。未充分给出交易、借券与冲击成本时，也不能把报告收益称为成本后 alpha。

这组研究把全期分成十个连续区间，每次留一段作测试、其余九段作训练，再拼接测试结果。训练集可能包含测试段之后的数据；这种留块交叉验证可作历史拟合比较，但不模拟投资者当时的信息集，不能作为实时可交易性的证明。（资料：同上，9.4.5 节。）

实时评价应使用滚动或扩展训练窗口。设决策时点为 $t$，训练标签起点为 $s$，则只纳入收益区间已经结束的样本，即 $s+H\leq t$，并加上实际数据取得延迟。内层验证选择情境、平滑宽度与收缩强度；外层测试冻结模型。不能反复查看同一外层结果调整阈值后，仍把该区间称为独立测试。

1. 投资数量与投资质量#

资本开支（Capital Expenditures, CAPEX）：为取得或改善长期经营资产发生的现金支出，属于投资活动，不等于当期费用，也不等于新增经营资本的全部变化。

横截面比较宜使用资本开支强度而非金额，例如将最近已披露年度的资本开支现金流出取正值，除以对应年初已披露且为正的总资产，再在可比股票池中中心化、标准化为 $x_{i,t}$。本节约定 $x$ 越大表示投入越多，而不是“投资纪律越好”；反向编码会改变系数与图形的解释。流出符号、并购支出、资产处置和零或负分母须事先定义，缺失值不能当作零投入。

投资的价值取决于新增项目回报与相应资本成本，而非投入数量本身。经营投资应比较同期限、同币种的增量资本回报（Return on Incremental Capital, RIC）与加权平均资本成本（Weighted Average Cost of Capital, WACC）；净资产收益率（Return on Equity, ROE）是股权口径的存量盈利指标，不能直接与 WACC 比较，也不等于未来项目回报。企业价值创造的现金流推导见第 6 章。

历史 ROE 可作为投资质量的一个事前代理：用已披露净利润除以可比的正平均股东权益，按预先规定的截面规则形成高低状态。杠杆、回购压低权益和一次性损益都可能抬高 ROE；负权益或不可比企业应单列处理。高历史 ROE 不保证新增项目仍有高回报。

投入过多可能把资金配置到低回报项目；投入过少也可能损害更新设备和维持竞争力的能力。因此要检验的是“何种企业在何种投入水平上具有更好的收益响应”，不能把节省资本开支或扩大投资写成无条件正向信号。

2. 二次项、条件斜率与交互项#

非线性效应（Nonlinear Effect）：预测变量的边际作用随自身水平或其他状态改变的关系。对未来指定期限评价收益的条件均值 $m$，即使回归对参数保持线性，输入—预测关系也可以是非线性的。

二次模型（Quadratic Model）：在一次项之外加入平方项，以表达曲率和可能的内部转折点。固定其他输入，以标准化资本开支 $x$ 为解释变量：

$a,b,c$ 的单位由评价收益决定。$c<0$ 时为凹函数，驻点 $x^*=-b/(2c)$ 是最大值；$c>0$ 时为凸函数，该点是最小值；$c=0$ 时退化为线性关系。驻点的正负取决于 $b$ 与 $c$ 的组合，只有落在有效数据支持区间内才有经验解释。高阶多项式的边缘外推尤其不稳定。

条件斜率模型（Conditional-Slope Model）：用已知状态与原因子的乘积改变分组斜率。令 $D=1$ 表示高历史 ROE，$D=0$ 表示低历史 ROE，则：

低组截距、斜率为 $a,b$，高组为 $a+\delta,b+\gamma$。$\delta D$ 保留情境自身的水平差异；除非有明确限制，不应强迫两组截距相等。虚拟变量若改为其他编码，系数映射必须同步改变。

交互模型（Interaction Model）：加入两个变量的乘积，使一个变量的边际作用成为另一变量的函数。若 $z$ 是中心化的连续历史盈利状态，则：

$b_x,b_z$ 是主效应，$b_{xz}$ 是交互系数。自拟 $b_x=-20$、$b_{xz}=30$，单位均为与标准化输入匹配的月度基点，则 $z=-1$ 与 $z=1$ 时，资本开支斜率分别为 $-50$ 和 $10$。正交互系数只说明斜率随状态提高，不能单凭乘积项断定两个变量同号时的总预测一定最高。

3. 条件二次模型的完整计算#

将状态、一次项、平方项及其交互联合使用，可写为：

$x$ 是标准化资本开支，$D\in\{0,1\}$ 是已知高低 ROE 状态。给定状态后的斜率为 $b+D\gamma+2(c+D\kappa)x$；$c+D\kappa<0$ 时，该组曲线为凹形。这是对参数线性的回归，但不是在原因子上分段线性的函数。

自拟一个已完成训练、随后冻结的月度预测模型，所有系数均以基点计，$100\text{ bp}=1\%$：

这里输出明确为下个月风险调整收益预测，不是未经校准的排序分数。参数只是教学输入，不是历史估计。分别代入两种事前状态：

同样的 $x=1$，低组预测为 $-20-30=-50$ 基点，高组为 $20+40-20=40$ 基点，差异为 $90$ 基点。高组斜率 $40-40x$ 在 $x=1$ 处为零，二阶导数为 $-40$，故峰值为 $40$ 基点；低组斜率恒为 $-30$。图中直接绘制同一组公式及参数。

高组增加投入先提高预测，超过 $x=1$ 后预测下降；低组在所示区间内单调下降。高组曲线并非处处高于低组：质量代理、投入水平和函数形式共同决定预测，不能把情境标签直接当成买入结论。

4. 平方项的共线性取决于分布#

标准化只保证选定样本中的均值和方差，不保证正态分布，也不自动把取值截断在 $[-3,3]$。设中心化变量 $x$ 有有限四阶矩且 $E(x)=0$，则：

对称分布使三阶矩为零；若 $x$ 与 $x^2$ 的方差均为正，二者不相关但不独立。若平方项为常数，其相关系数不可定义，应删除该冗余项。若原分数为 $u\sim U[0,1]$ 的百分位型变量，则 $E(u^k)=1/(k+1)$，得到：

未经中心化的百分位与其平方可能近乎共线。对理想均匀分布，先用 $u-1/2$ 中心化即可消除其与自身平方的相关；对偏斜的实际数据，中心化未必足够。可把平方项、乘积项对既有设计矩阵残差化，或使用正交多项式、正则化；预测时必须使用同一基底及对应系数，不能把残差化后的系数乘回未经变换的输入。正交化不产生新信息，方法见第 7 章。

截距也受中心化条件约束。对 $y=a+bx+cx^2+\varepsilon$，只有再加上 $E(y)=E(\varepsilon)=0$、$E(x)=0$、$E(x^2)=1$，才能由取期望得到 $a+c=0$；只标准化解释变量不足以推出该等式。使用 $x^2-1$ 可把平方项的均值贡献显式分离。

5. 分别评价高分端与低分端#

非线性变换可能主要改善高分股票的区分，也可能只改善低分股票的识别。验证时应在每个预测时点用已知分数排序，待收益实现后再汇总各分位结果；比较原始信号、二次变换与条件变换时，保持股票池、分位方向、风险调整和交易规则一致。

若一个信号只擅长识别潜在输家，多空组合可能通过空头端受益，仅多头组合也可能通过低配或避开这些股票受益，但低配空间受基准权重限制。高分端没有改善时，不能把多空结果直接推广为优质多头选股能力。近似单调的分位收益只是预测校准的线索，不证明因果、净收益或未来稳定性。

平滑状态有助于控制阈值附近的机械切换，却不能代替组合计算。对本节条件模型，硬状态从 0 变为 1 时的预测跳变量为 $40+70x-20x^2$ 基点；$x=1$ 时跳变 $90$ 基点。用连续 $g(c)$ 替换 $D$ 后，这个差异按隶属度逐步释放。最终交易仍取决于其他股票、风险约束、估计参数更新和已有持仓。

1. 先保证字段可比，再细分公司状态#

行业 alpha 模型（Sector Alpha Model）：针对会计口径、监管约束或商业模式具有结构差异的股票集合，分别定义预测特征与参数的模型。行业划分是否必要，取决于统一字段能否表达相同的经济对象，而不是分析师通常如何分工。

银行的贷款损失准备、财产与意外险公司的综合成本率、房地产投资信托的运营资金收益（Funds from Operations, FFO），分别服务于不同经营结构，不能直接混入一般工商企业的同一比率排序。对受特定回报监管约束的公用事业，资本配置和成本回收也需按制度解释，不能简单宣布经营效率失去意义。上述行业差异例见 Qian、Hua、Sorensen（2007），第 9 章 9.6 节；它们是建模任务分类，不是现行行业体系的完整划分。

在字段可比的股票池中，再按公司情境调整多个因子，必要时修正某一因子的非线性。每个行业、情境和因子都独立拟合会迅速消耗样本；可令弱证据的组权重向全局权重收缩，只对稳定的偏离保留独立参数。小组内股票较少、状态切换频繁或历史评价期不足时，合并模型通常比继续细分更易检验。

2. 时点数据、目标持仓与净效用#

在决策时点 $t$，情境特征、行业分类、股票池、财务修订版本和预测参数均须属于信息集 $\mathcal F_t$。首次公告日决定财报何时可用，报告期末不是可用日。训练只纳入已经实现的标签；平滑宽度、非线性项、插补规则和收缩强度的选择须留在内层验证，保留尝试过的主要方案，不能把测试集用于反复筛选。

将校准后的预测交给组合构建器时，记目标总权重为 $\mathbf w_t^{tgt}$、基准权重为 $\mathbf w_{b,t}$、计入价格漂移后的交易前权重为 $\mathbf w_t^{pre}$。主动权重和交易量分别为：

这三个权重向量必须使用同一股票池及现金口径。若 $\widehat{\boldsymbol\alpha}_{t+H\mid t}$ 是相对于预先规定风险基准的收益率预测，$\boldsymbol\Sigma_t$ 是同期限收益协方差，一种示意目标为：

并施加资金、行业、beta、杠杆和持仓边界等约束。$\lambda>0$ 是风险惩罚系数，$C$ 是按组合资产价值计量的交易成本率，收益率、风险项与成本须使用相容单位。若输入预测单位是基点，应先转换为收益率；若未预测基准相关风险溢价，则该目标只评价模型 alpha 部分，不能冒充全部期望收益。

比较静态与条件模型时，冻结同一组合规则后报告原始与风险调整 IC、实现主动收益、跟踪误差、实际交易、成本及容量。平滑或删除非线性项后重新计算所有指标，不能只展示换手下降。若条件差异在冻结测试期消失，或风险与成本调整后的效用未超过简单基准，应收缩或删除复杂项；增加新的情境和阈值属于新的研究，必须重新接受未使用数据的检验。