因子择时模型

1. 因子择时的对象与边界#

因子择时（Factor Timing） 是利用决策时点已经可得的状态信息，预测一个或多个因子下一持有期的收益或选股能力，并据此改变因子暴露或 alpha 模型系数的动态决策。它改变的是跨期因子权重，不是事后按已实现表现重写历史权重；预测期限、调仓频率和执行期必须分别设定。

条件变量（Conditioning Variable） 是在时点 $t$ 已进入投资者信息集、用于刻画下一期因子收益条件分布的状态变量。日历位置、过去市场收益、利差和宏观发布值都可成为候选项；“最终修订数据”或未来才确认的经济状态不属于实时信息集。

择时对象可来自两类因子，但两者的专业含义不同：

• Alpha 因子（Alpha Factor）：用于预测股票随后风险调整收益的横截面信号；择时检验它的条件 IC 或条件因子组合收益是否变化。
• 风险因子（Risk Factor）：用于解释股票共同波动和协方差的系统性暴露；只有在预先定义的状态下能样本外预测随后收益时，该暴露才在该状态中承担 alpha 信号角色。

原书把无条件平均收益接近零、时间序列波动较大的质量风险代理作为择时候选，因为其条件收益可能发生方向变化；这是一项候选因子筛选逻辑，不是“风险因子一定比 alpha 因子更适合择时”的普遍规律。

2. 预测、权重与股票 alpha 是三个对象#

设模型含 $M$ 个因子和 $K$ 个状态变量。线性条件模型可把“预测因子收益”“映射动态权重”和“生成股票 alpha”分开写为：

其中：

• $\widehat{\boldsymbol{\mu}}^{F}_{t+1\mid t}$：在时点 $t$ 形成的 $M\times1$ 因子下一持有期条件收益预测，单位为该持有期收益率。
• $\mathbf z_t$：$K\times1$ 条件变量列向量，只含时点 $t$ 可得信息；连续变量应仅用当时训练窗口的统计量标准化。
• $\mathbf a$ 与 $\mathbf B$：分别为 $M\times1$ 截距和 $M\times K$ 因子收益预测系数矩阵。
• $\mathbf v_0$ 与 $\mathbf v_t$：$M\times1$ 静态和动态 alpha 因子系数；若因子分数无量纲，系数单位为“每单位分数对应的预测收益率”。
• $\boldsymbol\Gamma$：$M\times K$ 状态到 alpha 系数的映射矩阵；它不必等于预测因子收益的 $\mathbf B$，因为风险、约束和成本会改变最优权重。
• $\mathbf s_{i,t}$：股票 $i$ 在时点 $t$ 的 $M\times1$ 因子分数列向量，方向和标准化口径在训练前固定。
• $\widehat\alpha_{i,t}$：股票 $i$ 从时点 $t$ 到 $t+1$ 的事前 alpha 预测，单位为该持有期收益率，不是已实现成本后收益。

线性动态模型比静态模型新增 $MK$ 个交互系数；状态分箱、阈值和非线性还会继续增加研究自由度。即使先得到 $\widehat{\boldsymbol\mu}^{F}_{t+1\mid t}$，也不能直接把它当成 $\mathbf v_t$：权重映射还需估计因子收益协方差、证券暴露、组合约束、换手和交易成本。

1. 评价期限不等于风险消失#

评价期限（Evaluation Horizon） 是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。年度和季度考核可能通过相对业绩排名、风险预算重置、税务安排或资金流改变管理者的持仓需求。

时间分散化（Time Diversification） 是“延长持有期或重复承担风险会降低相关投资风险”的命题；该命题只有在先指定收益过程、风险指标、再投资规则和投资者效用后才可检验。独立单期收益能降低平均收益率的抽样波动，却不把多期终值损失幅度、路径风险或结构断点自动消除。

两种评价框架会给出不同的行为预测：

• 期望效用理论（Expected Utility Theory）：投资者比较终值财富的期望效用；凹效用函数表示对所有财富水平保持风险厌恶。
• 前景理论（Prospect Theory）：投资者相对参照点评价损益，价值函数通常在收益侧凹、损失侧凸，并以损失厌恶表示同额损失的心理影响大于同额收益。

在对数终值效用、随机收益且投资收益是财富变化主要来源等简化条件下，最优风险资产比例不应仅因期限延长而上升。前景理论和频繁评价可以解释投资者为何表现得像是在长期期限更能承受风险，却不证明这种行为提高了客观的风险调整收益。

原书据此提出一项行为假说：年初距年末考核较远，投资者更愿意持有低质量、高风险股票；临近年末时转向高质量股票。季度考核产生方向相同但较弱的季内模式。它是待证伪的条件收益假说，不是日历本身造成收益的因果定律。

2. “质量”必须写成可计算代理#

质量代理（Quality Proxy） 是把企业经营稳健性、资本配置能力或财务脆弱性映射为可排序数值的观测指标。原书的历史检验将下列异质维度统称为“质量”，实证复核时必须逐项报告，不能用一个抽象质量标签替代：

• 盈利能力与价值创造：较高的净经营资产回报率（Return on Net Operating Assets, RNOA）或净资产收益率（Return on Equity, ROE）表示单位资本产生更多经营利润；两者的分母和杠杆敏感性不同。
• 财务杠杆：较低的债务资产比表示融资结构更保守，但行业资本结构差异需要单独控制。
• 财务困境风险：较低的债务市值比和较高的利息保障倍数表示偿债缓冲更大；负权益、接近零的市值或负利息费用需要预设处理规则。
• 历史价格强度：较高的三年总收益被原书视为市场价值创造代理，但它也加载长期动量或反转，不能视为纯粹的基本面质量定义。
• 市净率：原书把较高市净率解释为市场给予的“商誉”，该变量同时承载估值和成长预期；它不是会计商誉，也不宜脱离价值因子单独解释。
• 盈利预期：较高的分析师盈利上调表示预期改善；信号日必须使用当时可见的一致预期版本。
• 盈利稳定性：较低的历史盈利波动表示盈利流更平稳；窗口长度、亏损年份和会计制度变化必须固定处理。

设 $IC_t^{(q)}$ 为质量代理 $q$ 在月份 $t$ 的风险调整 IC，原书的半年检验可规范化为：

其中：

• $IC_t^{(q)}$：代理 $q$ 在月份 $t$ 的横截面预测与随后月度风险调整收益之间的相关系数，相关方法和风险模型必须预先固定。
• $\mathcal E$：年初组，按原书设计取 1 月至 5 月。
• $\mathcal L$：年末组，按“排除 6 月和 7 月为过渡期”的原书设计取 8 月至 12 月。
• $H_{0,\mu}$：两组总体均值相同的零假设；行为假说的单侧备择为年末组质量 IC 更高。
• $H_{0,\sigma}$：两组总体方差相同的零假设，用于辨别均值差是否只伴随风险水平变化。

均值可同时用 Welch $t$ 检验和秩检验；原书使用的 $F$ 方差检验对非正态和异常值敏感，复核时宜增加 Levene 或 Brown–Forsythe 稳健检验。相同的 IC 方差只说明两组因子表现的时序波动近似，不能单独证明组合波动、尾部风险或坏状态损失相同。季度版本比较季初月与季末月，但半年、季度、月份和质量代理的全部组合都计入多重检验范围。

3. 原书结果是历史假说证据#

原书美国检验使用 Russell 3000 股票池、1987 年 1 月至 2003 年 9 月样本、Compustat 基本面数据和 BARRA USE3 风险模型。作者报告由上述维度拆分出的九个质量序列在年末组具有更高风险调整 IC，而两组 IC 方差差异不显著；季度方向相同但较弱。把样本分为 1987—1994 年和 1995—2003 年后，后段若干盈利能力代理不再显著，已经显示效应衰减或状态依赖。

非美国检验覆盖 1990—2003 年若干主要市场，并用六个月基本面滞后降低明显的前视风险。不同市场的方向和显著性并不一致，部分市场还需改变年度考核锚点才能得到更强结果。跨市场差异可以检验“考核制度驱动”的机制，但在看过结果后移动锚点也会新增研究自由度；当地财年、税年和绩效考核日应在测试前登记。

这些结果属于 2007 年以前的单组历史样本。固定六个月滞后不等于完整的逐时点数据库，指数股票池还需核查历史成分、退市和公司行动。它们能说明如何把行为叙事写成均值、方差和跨市场反证，不能证明该日历效应在当前市场仍存在或成本后可交易。

1. 从固定月份改为真实事件时间#

横截面收益离散度（Cross-sectional Return Dispersion） 是同一期间股票标准化风险调整收益围绕其横截面均值的分散程度。令风险模型残差除以时点 $t$ 事前估计的特质波动率后得到无量纲收益 $\widetilde R_{i,t}$，其样本标准差为：

其中：

• $\widetilde R_{i,t}$：股票 $i$ 在期间 $t$ 的已实现标准化风险调整收益，即风险模型残差除以事前特质波动率，无量纲；所有股票使用相同收益期限和风险模型。
• $\overline{\widetilde R}_t$：期间 $t$ 的标准化风险调整收益横截面均值。
• $N$：期间 $t$ 可投资且具有有效收益的股票数；若股票池变化，估计和比较必须保留当期 $N$。
• $d_t$：期间 $t$ 的标准化风险调整收益样本标准差，无量纲；风险模型校准良好且股票数足够大时应接近 1。

原书按当时美国公司的典型财报周期，把月份分为公告期（1、4、7、10 月）、预告期（3、6、9、12 月）和静默期（2、5、8、11 月），并报告公告期离散度最高、预告期次之。该分组是历史市场的粗粒度代理；公司财年不同、公告日漂移和盘前盘后发布会使固定月份发生错配。

事件研究应按公司实际公告时间建立三段窗口：

• 公告前窗口（Pre-announcement Window）：从预设建仓时点到信息发布前，衡量预期和预告信息被价格吸收的过程。
• 公告窗口（Announcement Window）：覆盖首个可交易价格对新信息的即时反应；盘后公告不能假设以同日收盘价成交。
• 公告后窗口（Post-announcement Window）：衡量价格发现或公告后漂移，必须与公告瞬间跳跃收益分开。

2. 离散度放大机会，也放大错误#

沿用第 4 章在无约束、大股票池和风险模型正确等条件下的近似，单期主动收益满足：

若 $N$ 与事前目标风险在各期近似固定，实现跟踪误差可写成更一般的跨期关系：

本节新增变量为：

• $r_{A,t}$：期间 $t$ 相对指定基准的已实现主动收益率，可正可负。
• $IC_t$：期间 $t$ 的风险调整信息系数，表示该期横截面技能的实现值。
• $\sigma_{model}$：组合构建时设置的事前模型跟踪误差目标，与 $r_{A,t}$ 使用同一频率。
• $TE_{realized}$：主动收益跨期标准差，即相对同一基准的实现跟踪误差。
• $\operatorname{std}_t(IC_td_t)$：技能和机会乘积的跨期标准差；只有 $d_t$ 近似常数时，才可进一步写成 $d\operatorname{std}_t(IC_t)$。

$d_t$ 上升不会单独创造预期 alpha：正 IC 的收益机会变大，负 IC 的错误也会被同比放大。只有在事前预期 IC 为正、风险模型能覆盖公告跳跃且增量成本可控时，把更多换手安排在预期高离散度窗口才可能提高净收益；公告聚集、相关性上升和隔夜缺口还可能使实现跟踪误差超过模型目标。

3. 事件交易必须使用可成交价格#

研究表至少保存公告首次发布时间、时区、盘前或盘后标记、预告与日期变更、分析师修订时间、最早允许下单时点和成交价规则。用公告日收盘价同时生成信号并成交会把不可交易跳跃收入回测；用财报期末日代替公告日则直接构成前视偏差。

公告前持仓、公告跳跃和公告后漂移是三种不同收益来源，也对应不同的借券、流动性、隔夜风险和执行成本。组合报告需分别给出毛主动收益、实现跟踪误差、额外换手、价差与冲击成本，不能用一条合并净值曲线掩盖收益来源。

1. 五类条件信息不能混为一个“宏观状态”#

原书把日历信息与四类时间序列条件工具合并为五类候选信息。每一类的经济对象、频率和发布时间不同：

• 日历事件（Calendar Event）：年末、季末、财年或税年等预先可知日期；日期无前视问题，但从许多日历切分中挑选赢家仍会数据挖掘。
• 市场状态（Market State）：过去股票或债券市场价格形成的状态，如滞后市场收益、市场波动率、价值利差、期限利差和信用利差；必须明确回看窗口、收盘时点和收益口径。
• 货币政策状态（Monetary Policy Regime）：由政策利率、公开政策决定或货币供应量刻画的宽松与紧缩环境；市场预期、决定公布和政策生效不是同一时间。
• 直接经济状况（Direct Economic Condition）：增长、通胀、领先指标或生产活动等对实体经济的测量；首次发布值、修订值和调查预期必须分栏保存。
• 消费型指标（Consumption-based Indicator）：消费增长或消费、财富与劳动收入的模型化比率；估计依赖低频宏观数据、协整设定和历史版本，通常比市场变量具有更长发布延迟。

候选项数量越多，状态持续性和变量共线性越强。月度回归的有效样本量由时间长度决定，不因股票池含数千只股票而增加。

2. 交互项检验状态是否改变因子表现#

令结果变量预先选为因子组合收益或风险调整 IC，日历与宏观状态的联合检验可写为：

其中：

• $y_{j,t+1}$：因子 $j$ 在下一持有期的检验结果；全篇固定为收益率或 IC 之一，不能在同一回归中混用单位。
• $\mathbf z_t$：时点 $t$ 可得的 $K\times1$ 市场或宏观条件变量列向量。
• $D_t$：时点 $t$ 的预设日历或政策状态虚拟变量，处于目标状态取 1，否则取 0。
• $a_j$、$\boldsymbol\gamma_j$ 与 $\delta_j$：分别为截距、连续状态斜率和状态虚拟变量的截距差。
• $\boldsymbol\theta_j$：$K\times1$ 交互系数，检验 $D_t$ 是否改变连续状态与因子结果之间的关系。
• $\varepsilon_{j,t+1}$：模型未解释的下一期结果；重叠持有期、状态持续性和异方差要求使用相匹配的长期方差标准误或时间区块自助法。

原书历史样本中，质量代理在紧缩货币状态的风险调整 IC 普遍高于宽松状态，日历切分的差异又大于货币政策切分；按过去市场涨跌分组的结果则较混合。这种比较说明竞争状态变量应放入同一模型，而不是分别挑选各自最有利的分组。它仍是特定样本结果，不构成当前货币政策下的交易方向。

3. 同一预测方向可来自三种机制#

• 时变风险补偿（Time-varying Risk Compensation）：坏经济状态下不可分散风险的价格上升，较高条件收益是承担坏状态损失的补偿；若控制相关风险暴露后收益消失，不能把它称为独立技能。
• 经济传导机制（Economic Transmission Mechanism）：货币、需求或供应链状态先改变行业和公司的现金流，再进入股票收益；证据应包含盈利或投入产出的中间变量，而不只是折现率代理。
• 行为性定价偏差（Behavioral Mispricing）：投资者对信息反应不足、反应过度或随市场情绪改变，价格随后修正；公开后衰减、交易拥挤和成本上升是可检验的失效路径。

三种机制可能给出相同的回归符号，却对坏状态损失、现金流先后关系、跨市场制度差异和公开后的持续性提出不同预测。择时模型可以在因果尚未完全识别时用于预测研究，但风险预算与压力情景必须覆盖每种仍可能成立的解释。

1. 验证单位是时间，不是股票数#

每个状态变量都应保存首次发布日期、修订序列、可交易延迟、缺失处理、标准化窗口和失效版本。训练期定义因子、状态、方向与期限，验证期选择有限参数，冻结测试期只评价一次；上线后采用滚动或扩展窗口，不能用完整样本均值回填早期状态。

显著性检验需处理 IC 自相关、重叠收益、状态持续性和异方差。月份、因子、滞后、阈值、国家与市场的所有尝试都属于同一研究家族，可用假发现率、现实检验或预留独立复制样本控制选择偏差。跨市场验证应先按当地财年、税年和公告制度定义锚点，再观察结果，不能事后移动日历到最显著位置。

2. 收缩针对四类模型不确定性#

模型不确定性（Model Uncertainty） 是因候选模型结构、参数估计和未来状态不可确定而产生的预测分布不确定性，不等同于单次回归的残差波动。因子择时至少包含四个来源：

• 条件变量设定不确定性：候选状态、滞后、阈值和交互项选择不同会改变条件预测。
• 因子结果估计不确定性：因子收益或 IC 的时间样本短，均值、协方差和状态斜率误差较大。
• 证券暴露估计不确定性：即使因子方向正确，个股因子分数和风险暴露误差也会扭曲组合映射。
• 机会持续性不确定性：市场学习、制度改变、拥挤和成本可能使历史条件关系衰减或反转。

实务中可把 $\boldsymbol\Gamma$ 向零收缩，使证据不足的动态模型回到静态权重；也可使用层级模型或贝叶斯模型平均整合多个候选设定。模型平均只能传播已纳入候选集的不确定性，不能修复前视数据、遗漏成本或共同失效的经济假设。

3. 交易门槛由收缩后净增益决定#

动态因子系数变化先产生模型换手，再通过证券暴露和优化约束转化为组合换手；两者不相等。一次调整的增量净预期可写为：

其中：

• $\Delta\mu_{gross}$：相对静态模型的事前毛主动收益增量，单位为目标持有期收益率。
• $\kappa$：处于 $[0,1]$ 的预测收缩系数，反映参数误差和样本外折扣。
• $\Delta C$：由本次动态调整新增的价差、佣金、冲击、借券与税费，使用相同持有期收益率单位。
• $\Delta\mu_{net}$：扣除收缩和增量成本后的事前主动收益增量；尚未补偿尾部风险时，它仍不是完整效用增量。

例：择时信号的净门槛

假设状态模型预计下一月提高价值因子系数可增加 $12\text{ bp}$ 毛主动收益，因参数误差把预测收缩 $50\%$，新增往返成本估计为 $7\text{ bp}$。则 $\Delta\mu_{net}=0.5\times12-7=-1\text{ bp}$，且 $100\text{ bp}=1\%$。即使毛预测为正，保持静态权重仍优于这次调仓。

因子择时每期只有少量跨期机会，有效广度通常远低于股票横截面选股；因子数也不能替代独立机会数。风险预算应比较动态模型相对静态模型的样本外 IC 或 IR 增量、最大权重变化、换手、容量、尾部损失和参数稳定性，而不是只比较样本内毛收益。

可操作失效规则包括：实时条件 IC 差异落出训练期预设区间；状态变量的发布制度或定义改变；动态模型的样本外净 IR 不再超过静态模型；成本、容量或尾部损失越过预算；实现损失方向与声称机制冲突。阈值和应对动作必须在资金投入前固定，不能把“最近表现不好”单独当作失效定义。