因子择时模型

1. 因子择时的对象#

因子择时（Factor Timing）：依据决策时点可得的信息，对因子随后表现形成条件预测，并随时间调整因子权重或目标暴露的投资决策。预测对象可以是因子的选股能力，也可以是按固定规则构建的因子组合收益；两者需要不同的评价与配仓方法。

条件变量（Conditioning Variable）：在决策时点已经可观测、用于描述预测对象条件分布的变量。记时点 $t$ 的信息集为 $\mathcal F_t$，候选状态向量为 $\mathbf z_t$；$\mathbf z_t$ 的数值、数据版本和分类规则均须在 $\mathcal F_t$ 内确定。下月属于哪个日历月份可以提前知道，下月实际市场涨跌或尚未公布的经济数据则不能提前使用。

横截面选股比较同一期的不同股票，因子择时比较不同期的因子表现。对大盘股与小盘股使用不同模型属于横截面条件建模；因市场状态变化而调整同一组模型的系数，才增加了时间维度上的择时。

本文的 $IC$ 下标标记收益实现期：$IC_{j,t+1}$ 在 $t+1$ 才能计算，而其条件均值预测 $\widehat m_{j,t}=\widehat E(IC_{j,t+1}\mid\mathcal F_t)$ 在 $t$ 形成。不能把较高的历史 $IC$、较高的预期收益和较大的股票持仓当成同一个量。

2. 从静态合成到条件预测#

在 $N_t$ 只股票、$M$ 个因子的截面上，动态合成模型为：

$\mathbf S_t$ 是 $N_t\times M$ 因子分数矩阵，$\mathbf v_t$ 是 $M\times1$ 模型权重，$\mathbf c_t$ 是 $N_t\times1$ 复合分数。$g$ 表示从状态到权重的规则，$\widehat\theta_t$ 只使用截至 $t$ 已成熟的训练标签估计。各分数无量纲且系数仅作加权时，$\mathbf c_t$ 仍是分数，不是收益率预测。

即使 $\mathbf v_t$ 固定，股票特征变化也会使 $\mathbf c_t$ 和持仓变化；这部分变化不能归为因子择时。动态权重进一步改变了不同信号的相对重要性；将全部系数同比放大，则主要改变信号尺度，未必改变固定风险预算下的持仓。

条件预测与配仓应分为两层。例如以因子组合收益为目标的线性预测是：

$\mathbf z_t$ 为 $K\times1$，截距 $\mathbf a_t$ 为 $M\times1$，斜率矩阵 $\mathbf B_t$ 为 $M\times K$，输出单位为下一持有期收益率。它不是上一式的 $\mathbf v_t$：因子相关性、风险预算、持仓约束和交易成本仍会改变权重映射。以条件 $IC$ 为目标时也须另行确定合成规则，再用训练期的收益校准把分数转换为个股 alpha。

3. Alpha 因子与风险因子的择时候选#

Alpha 因子（Alpha Factor）：用于预测股票随后相对收益或风险调整收益的信号。风险因子（Risk Factor）：用于描述证券共同收益变化及协方差的系统性因素。同一特征可以同时承担两种用途，但“具有共同波动”并不自动意味着“具有可预测的风险溢价”。

一个因子的无条件表现接近零，仍可能在不同状态下具有相反的条件均值。以风险调整 $IC$ 为例，若两个等概率状态的均值分别为 $0.04$ 与 $-0.04$，加权平均为零；只有能够在决策时识别状态，并在新样本中保持这种差异，才存在择时价值。

因子收益波动较大意味着潜在盈亏幅度较大，不意味着更容易预测。候选筛选应同时比较条件均值差、预测误差、状态持续性和实施成本，不能仅凭“风险因子波动比 alpha 因子大”提高其风险预算。

1. 评价期限与时间分散化#

评价期限（Evaluation Horizon）：从当前决策时点到投资结果被考核、比较或结算的时间长度。年度排名、绩效报酬和委托关系可能使管理者特别关注年末结果；季度考核则产生更短的重复评价周期。

时间分散化（Time Diversification）：投资期限延长能够降低所关注投资风险的命题。该命题必须先指定风险指标；平均收益率波动、累计财富损失和中途回撤不是同一对象。

设独立同分布的单期对数收益为 $\ell_s$，方差为 $\sigma_\ell^2$，连续投资 $H$ 期，则：

前者是平均对数收益的方差，后者是累计对数收益的方差。平均值的波动下降，不等于终值财富损失幅度或路径风险消失；若收益存在持续依赖，上述独立性计算也需加入协方差项。

期望效用理论（Expected Utility Theory）：以各种结果对应效用的概率加权平均评价风险选择的理论。风险厌恶者可用递增凹函数评价终值财富。前景理论（Prospect Theory）：以相对参照点的损益及决策权重评价风险选择的理论，其典型价值函数在收益侧凹、损失侧凸，并对同额损失赋予更大的价值绝对值。

图 10-1 为独立构造的理论示意，使用 $U(W)=\sqrt W$ 和以下价值函数；$W$ 为归一化终值财富，$x$ 为相对参照点的损益，效用与价值采用任意一致尺度：

收益侧边际价值递减、损失侧曲率为凸，与损失厌恶是不同性质；本例 $|v(-1)|=2v(1)$ 才体现同额损失的不对称影响。单独一条价值曲线不包含完整前景理论，也不能证明延长持有期提高了客观风险调整收益。

在对数终值效用、独立同分布投资机会且无劳动收入等简化条件下，期限延长本身不要求提高最优风险资产比例。行为上的“更愿意承受风险”与模型中的“最优风险比例应提高”必须分开。

2. 从行为机制到质量代理#

日历假说把考核期限与风险需求联系起来：年初距离年末评价较远，部分投资者可能更愿意承担低质量公司的风险；评价日临近时，更偏好经营稳健、财务缓冲较大的公司。年度重置可能使这种需求变化反复出现，季度考核可能产生较弱的季内变化。

这是一项关于相对收益或选股能力的可证伪假说。税务安排、资金流、机构排名和财报季也可能产生相似季节性，仅发现月份均值不同不能识别其中某一种原因。

质量代理（Quality Proxy）：用可观测指标近似刻画公司盈利能力、财务稳健性或市场评价的量。该章历史研究将七类经济含义拆为九个代理，并统一为“数值较高表示较高质量”的方向：

这些代理不组成一个天然同质的“质量因子”。36 个月价格表现同时跨越不同收益延续与反转期限，不能等同于中期动量；高市净率反映市场定价相对账面权益较高，不等于会计商誉较多，低市净率也不直接表示投资者已经损失相同比例的本金。分母接近零、负账面权益及异常财务项目都需要预设处理规则。

3. 日历分组检验什么#

以 $IC_{q,m}$ 表示质量代理 $q$ 在收益月份 $m$ 的风险调整信息系数。固定年初组 $\mathcal E=\{1,\ldots,5\}$、年末组 $\mathcal L=\{8,\ldots,12\}$，排除 6、7 月过渡期，则均值与方差检验分别为：

行为假说预测年末组质量 $IC$ 较高。若用“年初减年末”定义差值，支持该方向的估计应为负；检验采用单侧还是双侧，必须在观察结果前确定。

两组独立、方差不必相等时，Welch 均值差统计量为：

$\bar I_E,\bar I_L$ 为两组平均 $IC$，$s_E^2,s_L^2$ 为样本方差，$n_E,n_L$ 为月份数。分子度量组间差，分母度量其估计误差；相同差值在有效样本更少或组内波动更大时，证据更弱。

Welch 检验针对总体均值；Wilcoxon 秩检验考察排序分布差异，在附加同形位置移动假设下才可解释为位置差异；经典 $F$ 检验比较方差且对非正态较敏感。月份之间存在相关性时，应使用与时间依赖匹配的长期方差估计或区块自助法，稳健方差比较可补充 Levene 或 Brown–Forsythe 检验。

4. 历史证据与反证#

《Quantitative Equity Portfolio Management》第 10 章表 10.1–10.3 的美国检验覆盖 1987 年 1 月至 2003 年 9 月，使用 Russell 3000 股票池、Compustat 季度基本面和 BARRA USE3 风险模型。完整区间有 201 个月，按上述划分得到年初组 85 个月、年末组 82 个月；其余为排除的过渡月份。以下数值均为该章历史报告值，不是重新估计结果。

九个代理的半年均值差方向均为负，报告的均值检验支持年末质量表现较强。但证据不能被简写为“收益存在季节性而风险完全相同”：全年分组中 RNOA 方差检验的 $p=0.074$，在 10% 水平已拒绝方差相等；1987–1994 年与 1995–2003 年分段后，后段 RNOA、ROE 的均值差不再显著，RNOA 的方差差异反而在 5% 水平显著。

季度检验比较季初月（1、4、7、10 月）与季末月（3、6、9、12 月）。方向整体与年度假说一致，但效应较弱；九个代理中五个的均值 $t$ 检验达到 5% 水平。RNOA 与 ROE 的季度方差检验 $p$ 值分别为 $0.033$、$0.010$，再次说明均值与风险结果必须逐项报告。

非美国检验覆盖 1990–2003 年，使用 Citigroup 广义市场股票池、Worldscope 基本面以及 BARRA GEM 风险暴露，并对基本面采用六个月滞后（第 10 章表 10.4–10.6）。英国、法国和日本的方向较一致，加拿大证据较弱，德国的结论随质量定义变化；香港在公历锚点下证据有限，移动年度评价锚点后部分结果增强。

跨市场差异既能检验评价制度机制，也暴露模型选择风险。按当地制度预先确定评价日，与看过结果后选择 2 月末或 3 月末，属于不同的研究设计。固定六个月滞后只能缓解部分前视问题，不能替代历史成分、退市数据、公告时间和修订版本完整的逐时点数据库。这组早期样本支持的是可检验的研究假说，不保证其他时期或市场仍有成本后收益。

1. 信息可得时点与事件窗口#

事件时间（Event Time）：以具体信息发布或事件发生时刻为原点，对观测与交易区间进行定位的时间坐标。财报期末、预约公告日、实际发布时间、信号生成时间和成交时间必须分别记录。

已公布的预约日期可以提前进入条件变量，预约公告的内容则不能。盘后才发布的信息不能用于此前收盘决策；研究历史公告聚集度时，也不能把后来修改过的预约日期无条件回填到更早的信息集。

图 10-2 是两条独立的教学时间线，节点间距不表示实际时间长度。公司例假设在 $D$ 日 15:00 收盘、18:00 公告，下一执行窗口为 $D+1$ 日 09:30；宏观例假设首次公布值为 2.0%，30 日后修订为 1.5%。这些时刻和数值不代表特定交易所或真实发布记录。

公告前交易只能使用已有信息；公告后交易可以使用新内容，但只能按其后可成交价格计价。宏观模型在首次发布日只能使用首发版本，未来修订只能影响修订后的决策。

事件收益应分为公告前、公告窗口与公告后。三者分别对应提前形成的预期、信息首次进入价格的跳跃以及其后的价格调整；把它们合成一条收益曲线，会掩盖隔夜风险、可交易性和不同成本来源。真正执行还需加入接收、解析和下单延迟，下一开盘价也不是任意规模都能成交的保证。

2. 横截面离散度的日历回归#

横截面收益离散度（Cross-sectional Return Dispersion）：同一持有期各证券收益相对截面均值的分散程度。为与第 4 章的风险调整分解一致，先按同一风险模型残差化收益，再除以决策时点估计的特质波动率，得到无量纲实现收益 $\widetilde R_{i,t+1}$。定义：

$N_t$ 为采用一致可投资与数据有效性规则确定的截面规模，横线表示截面均值。$d_{t+1}$ 是实现量，事前只能预测。风险校准合理、截面足够大且残余依赖较弱时，它可接近 1；同截面估计风险因子消耗的自由度和残差相关仍需考虑，不能把接近 1 当成无条件恒等式。

历史美国月度研究将公告期近似为 1、4、7、10 月，预告期近似为 3、6、9、12 月，静默期近似为 2、5、8、11 月。以静默期为基准的回归可以写为：

$A,W$ 分别为公告期与预告期虚拟变量，$J,D^{\mathrm{Dec}}$ 分别为 1 月与 12 月虚拟变量，符合相应月份时取 1，否则取 0；$e$ 为未解释部分。这些是预先固定的日历标签，下一月标签在 $t$ 已知。包含截距后，不再加入静默期虚拟变量。

$\hat b_A$ 比较普通公告期与静默期，$\hat b_W$ 比较普通预告期与静默期；1 月预测值为 $\hat a+\hat b_A+\hat b_J$，12 月为 $\hat a+\hat b_W+\hat b_D$。不能把 1 月或 12 月的额外系数解释为其完整月份效应。

第 10 章表 10.7 报告 201 个观测，预告期系数为 $0.060$、$p=0.007$，公告期系数为 $0.088$、报告 $p$ 四舍五入为 0.000；后者应理解为很小而非概率严格为零。1 月和 12 月额外效应的 $p$ 值分别为 $0.387$、$0.604$，回归 $R^2=0.107$。因此，该样本中的公告分组有统计证据，但解释力有限；仅凭年末年初的较高箱线位置，不能断言控制财报季后仍有独立效应。

固定月份只是公司事件的粗粒度代理。不同财年、公告日漂移和盘前盘后差异，应在真实事件日期及当时可得日程上重新检验；公司事件研究与上述月度季节性回归的观测单位不同。

3. 离散度如何放大收益与损失#

在第 4 章风险中性配仓、预测与收益采用匹配的残差化及缩放口径时，主动收益可以分解为：

其中，$r_A$ 为相对同一基准的主动收益，$IC^{\mathrm{RA}}$ 为该持有期的风险调整 Pearson 相关，$\sigma_t^*$ 为已通过持仓缩放达到的模型目标跟踪误差。风险调整预测向量记为 $\mathbf p_t$，其非零截面均值修正为：

预测截面均值为零时 $\eta_t=1$；只有股票数较大且该修正接近 1 时，才可把 $C_t$ 近似为 $\sqrt{N_t}\sigma_t^*$。这里的股票数是代数分解中的截面规模，不等于独立投资机会数。改变中性约束、实际成交权重或风险模型后，应重新验证收益映射，而非机械套用该式。

图 10-3 使用自拟参数 $N=101$、$\eta=1$、月度目标风险 $\sigma^*=1\%$，因此 $C=0.1$。分别固定实现 $IC$ 为 $0.04$、$0$、$-0.04$，改变正的收益离散度；图中 $100\text{ bp}=1\%$。

当 $IC=0.04$ 时，$d$ 从 1 增至 1.5，使月度主动收益从 $0.1\times0.04\times1=0.4\%$ 增至 $0.6\%$；$IC=-0.04$ 时，同样变化把损失从 $-0.4\%$ 放大到 $-0.6\%$。离散度本身不产生正收益，必须与预测方向结合。

若 $C_t$ 在 $t$ 已知，事前收益判断取决于：

$E_t$ 与 $\operatorname{Cov}_t$ 均以 $\mathcal F_t$ 为条件。即使平时平均 $IC$ 为正，若高离散度时期恰好技能下降，也不能仅按预期离散度增加换手。

4. 模型风险与实现跟踪误差#

实现跟踪误差（Realized Tracking Error）：主动收益在评价期间的时间序列标准差。在上述配仓条件下，其样本关系为：

即使 $C_t=C$ 固定，也只能写成 $C\operatorname{std}(IC^{\mathrm{RA}}d)$，不能一般地用 $C\operatorname{std}(IC^{\mathrm{RA}})E(d)$ 代替。作为一个明确的特例，若 $IC^{\mathrm{RA}}$ 与 $d$ 独立且二阶矩存在，则：

即便技能不变，只要正技能面对的机会离散度变化，主动收益仍会波动。固定模型风险目标也不保证实现跟踪误差固定，尤其在公告跳跃、相关性变化或风险模型滞后时。

公告前增加交易只有在增量预期收益超过增量成本，且跳跃风险仍在预算内时才有意义。应比较调整后与不调整的同风险基准组合，而不能把“高离散度月份”直接等同于“应提高杠杆月份”。

1. 四类宏观条件工具#

宏观条件因子模型：以市场、政策或经济状态解释下一持有期因子表现条件分布的模型。日历之外的候选工具可以按经济对象分为四类；分类用于限定机制与数据口径，不意味着每一类都具有稳定预测能力。

市场状态（Market State）：由既有价格、收益或估值刻画的市场环境。常用变量包括滞后市场收益、波动率、股息率、期限利差和信用利差。期限利差通常比较不同期限的可比债券收益率；信用利差应尽量匹配期限并区分信用质量。价值利差是不同股票组的估值差异，不是这些组已实现收益差的同义词；盈利收益率减短债利率也只是风险溢价代理，不等于真实条件期望超额收益。

货币政策状态（Monetary Policy Regime）：依据当时已公布的政策决定、政策利率或货币供应量划分的政策环境。宽松与紧缩的分类规则、状态保持期限和信号生效时点必须固定，不能用整轮周期结束后才确认的转折点划分早期样本。

直接经济状况（Direct Economic Condition）：由增长、生产、调查预期、通胀等观测刻画的实体经济状态。统计所属期与公布时点不同，首发与修订版本也不同；训练和回测须使用当时可得版本，而非今日数据库中的完整历史序列。

消费型指标（Consumption-based Indicator）：从消费增长或消费、财富与收入的跨期关系构造的状态变量。例如消费—财富偏离指标可表示为协整关系的残差：

此处 $c_t,w_t,y_t$ 分别为按实时可得口径对齐的对数消费、总财富与劳动收入，均为宏观标量，不再表示第一节的股票分数向量或股票权重；$\widehat a_t,\widehat\beta_{w,t},\widehat\beta_{y,t}$ 为截至 $t$ 的估计系数。该指标度量偏离长期关系的程度，不是简单计算“消费除以财富”。数据延迟、修订和协整参数估计均会改变实时结果。

2. 日历与宏观状态的交互模型#

单独比较“年初与年末”和“宽松与紧缩”，不能判断一个效应是否随另一个状态改变。以因子 $j$ 下一月风险调整 $IC$ 为目标，可写为：

$P_t$ 为决策时已知的政策状态，紧缩取 1、宽松取 0；$D_t$ 表示下一收益月份属于预设年末组时取 1、年初组时取 0。6、7 月不进入这一两组检验，其交易规则应另设为静态回退，而非事后择组。$u$ 为模型未解释部分；四个系数均以 $IC$ 为单位。

基准状态是年初、宽松。年初组的紧缩—宽松差为 $b_j$，年末组为 $b_j+h_j$；$h_j$ 是两组政策差异之差。无交互项时，两种状态的影响被限制为简单相加；加入交互项后，每个组合需要足够的时间样本，不能靠更多股票替代缺少的政策周期。

《Quantitative Equity Portfolio Management》第 10 章表 10.9 的历史样本中，九个质量代理在紧缩状态下的平均风险调整 $IC$ 均高于宽松状态；例如 RNOA 分别为 $0.0294$ 与 $0.0118$。按过去市场涨跌划分的结果则较混合（表 10.10）。这些分组说明应检验不同条件工具的增量作用，不构成任一实时政策状态下的交易指令；36 个月价格代理的结果也不能替代其他动量期限的检验。

3. 四状态预测与动态合成例#

以下为自拟教学例题，不复刻历史表格。假设训练期结束后冻结质量因子的条件均值模型：

四种状态的预测 $IC$ 依次为 $-0.020$、$-0.005$、$0.030$、$0.050$。其中政策差在年初为 $0.015$、年末为 $0.020$；交互效应为两者相差的 $0.005$。

图中比较的是条件均值预测，不是四组历史分布，也没有给出预测置信区间。所有状态下的下一期实际 $IC$ 都仍然可能与预测方向相反。

设另一个动量信号的预测均值固定为 $\widehat m_{M,t}=0.030$。进一步作如下限定：两列分数在相同截面上均已标准化，相关矩阵固定为单位阵 $\boldsymbol\Phi=\mathbf I$，仅允许非负合成权重，并以预期复合 Pearson IC为目标，不计成本与额外约束。此时：

$\widehat{\mathbf m}=(\widehat m_Q,\widehat m_M)'$ 为预测 $IC$ 向量。分子来自协方差的线性性，分母来自单位相关矩阵下复合分数的标准差；至少一个分量为正时，柯西不等式给出的最优非负方向与正分量成比例，再归一化使权重和为 1。若分数相关矩阵随期变化，这个条件均值映射不再成立；一般情形需同时处理相关性与参数不确定性。

在年末紧缩状态 $P_t=D_t=1$ 下，$\widehat m_Q=0.050$，于是：

某只股票的质量、动量分数分别为 $1$ 与 $-0.5$，动态复合分数为：

静态等权时该分数为 $0.25$。模型因条件信息改变了该股票的相对评价，但 $0.4375$ 不是预测收益率，也不是 43.75% 的股票持仓。生成收益率 alpha 仍需独立的训练期校准，配仓仍需风险、约束与成本模型；上述权重也不保证组合信息比率最优。全部预测分量非正时，应按事先规定停止这项正向合成或回退静态模型，不能除以零。

4. 可预测性的三种竞争解释#

时变风险补偿（Time-varying Risk Compensation）：因子条件收益变化源于不可分散风险的价格变化。经济坏状态下的较高预期收益，可能补偿投资者更不愿承担的损失；检验重点是坏状态暴露和控制相应风险后是否仍有剩余收益。承担风险获得的报酬不自动构成独立 alpha。

经济传导机制（Economic Transmission Mechanism）：政策、总需求或投入产出关系先改变行业和公司的现金流，再进入估值与收益。可选消费、资本开支与商品相关行业、公共事业等防御行业，对冲击的时点和敏感度可能不同；验证应观察盈利或上下游传导的中间证据，而非只凭行业轮动顺序交易。这类解释主要强调现金流，区别于单纯的折现率或风险价格变化。

行为性定价偏差（Behavioral Mispricing）：投资者过度自信、反应不足或反应过度，使价格对信息的吸收随市场状态变化。可检验含义包括市场涨跌后的不对称表现、不同评价制度下的差异，以及公开传播与拥挤后的效应变化。

三种机制可能产生相同回归符号。统计预测可先于完整的因果识别，但风险预算必须覆盖仍可能成立的解释：行为机会可能衰减，风险补偿可能集中于少数坏状态，现金流传导也可能随制度和产业结构改变。任何一种机制都不保证收益永久存在。

1. 按时间组织样本外检验#

样本外检验（Out-of-sample Evaluation）：使用未参与模型设定和参数选择的后续数据评价已经冻结的预测规则。因子择时的独立状态信息主要来自时间维度；某月的数千只股票不能把同一个宏观状态扩展成数千次独立择时试验。

可执行的检验顺序为：

1. 冻结研究设计：确定股票池、因子方向、预测期限、风险调整口径、状态分类和日历锚点，保存所有尝试而非仅保存成功模型。
2. 建立实时训练集：按信息发布时间连接数据；只使用持有期已经结束的收益标签，标准化、缺失处理和参数估计均限定在当时窗口内。
3. 保留后续验证与测试期：验证期只选择有限参数；冻结测试期用于最终比较。收益区间重叠时，隔离跨越分割边界的标签，不能随机打乱月份划分训练集。
4. 比较同口径基准：在相同股票池、风险约束与成本模型下比较静态和动态版本，分别报告预测改进、实际持仓变化与净收益差。

月份、因子、国家、回看期、状态阈值和交互项都是研究自由度。应对整个研究家族控制多重检验，并采用独立复制样本；均值检验还要处理重叠收益、自相关和异方差。方向不稳定、样本外误差未下降或改进集中于一个短周期，都应降低证据强度。

2. 模型不确定性与向静态模型收缩#

模型不确定性（Model Uncertainty）：模型设定、参数及未来适用性不确定所造成的预测不确定性。因子择时至少包含条件变量选择、因子收益或 $IC$ 估计、证券暴露估计、机会持续性四个来源；它们不等同于一次回归的残差方差。

在样本有限时，可把动态权重向静态基准收缩：

$\mathbf v_0$ 为静态权重，$\widehat{\mathbf v}_t$ 为条件模型给出的权重；$\kappa_t=0$ 表示完全回退静态版本，$\kappa_t=1$ 表示不作收缩。收缩程度应由事前设计或训练、验证结果决定，不能用随后实现收益调优。

贝叶斯模型平均（Bayesian Model Averaging）：按各候选模型给定历史信息后的后验概率，对其预测分布加权整合的方法。它既保留模型内部的不确定性，也计入模型之间预测不同造成的不确定性；但不能修复共同的前视数据、遗漏成本或候选模型全部失效的问题。

3. 从模型调整到成本后的决策#

模型权重改变先引起信号变化，再经风险与约束映射为目标股票权重；实际交易还要与价格变化后、交易前的持仓比较。因此，模型系数的变化幅度不等于组合换手，较大的因子切换也不一定产生同等比例的证券交易。

在相同风险评价口径下，一次动态调整相对静态基准的预期净收益增量可简化为：

$\Delta\mu_{\mathrm{gross}}$ 为新增毛主动收益预测，$\kappa$ 为对该预测增量的折扣，$\Delta C$ 为新增佣金、价差、冲击、借券和相关税费，全部换算为同一持有期的组合收益率。这里的折扣作用于收益预测增量，不必等于上一小节的权重收缩比例；若已经使用收缩后的收益预测，不能再次机械折扣。

例：正预测仍不足以支持调仓。 假设独立的实施模型给出下一月毛主动收益增量 $12\text{ bp}$，对这一增量收缩 50%，新增往返成本为 $7\text{ bp}$，则：

在该教学设定下，调整后的预期净收益低于不调整方案。即使结果为正，也仍需检查增量风险、容量与估计误差；不能因为预计多赚几个基点便忽略公告跳跃或少数坏状态损失。

最终风险分配应依据动态模型相对静态模型的样本外净收益、实现跟踪误差和信息比率，而非仅比较平均 $IC$。因子择时通常只有少量跨期状态机会，其有效广度不能用股票数或模型参数数目替代。发布制度改变、状态样本失配、成本超出预算或预先规定的样本外检验失败，应触发收缩、暂停或回退；触发阈值和动作须事前固定，不能随近期盈亏反复改写。