实施篇：从预测到组合 —— 风险、优化与成本

有了 Alpha 预测，离赚钱还差三道工序：风险模型控制赌注结构、优化器决定仓位、成本模型决定哪些交易值得做。这一页是《黑箱》第 4~6 章的机构精装版。

多因子风险模型：BARRA 的看家本领#

组合风险不是把个股波动加总——那样既算不准也看不懂。BARRA 式风险模型把每只股票的收益分解为：

股票收益 = Σ(因子暴露 × 因子收益) + 特质收益

因子包括行业、市值、价值、动量、波动率等。这样组合风险就能分解到因子层面：你的组合波动里有多少来自行业偏离、多少来自市值暴露、多少来自真正的选股。

这套分解回答了主动管理最重要的自查问题：我的主动风险花在哪了？理想状态是风险预算花在你有预测力的地方（你的 Alpha 因子），而不是无意间攒出来的行业赌注。

本书的组合构建目标函数（价值函数）大意是：

最大化：主动收益 − 风险厌恶系数 × 主动风险²

翻译成人话：超额收益要，但为它承担的偏离基准的风险要付”心理成本”。风险厌恶系数由客户和产品定位决定——指数增强产品跟踪误差限制在 2~4%，对冲基金可以放得很开。同一套 Alpha，不同的风险预算，产出完全不同的组合。

理论最优组合会被现实层层打折：不能做空（A 股常态）、单票上限、行业中性约束、换手率限制……每加一道约束，实现的 IR 就离理论值远一分。

后续研究（Clarke 等人的”转化系数 TC”）把它量化进了扩展版基本定律：IR = IC × √BR × TC。典型数字触目惊心：纯多头 + 常见约束下，TC 可能只有 0.3~0.6——你的预测力有一小半在实施环节漏掉了。教训：约束不是免费的，每加一条都要问值不值。

本书对成本的处理和《黑箱》一致但更定量：成本模型进入优化目标函数，让每笔交易自证”预期 Alpha > 成本”。经验法则也一样：信号衰减快 → 必须快交易 → 成本高 → 只有足够强的信号配得上高换手。弱信号 + 高换手 = 白给券商打工。

平台的 top-N 等权是”零优化”的极简实现——好处是不吃优化器的输入误差，代价是没做风险分解（你的组合可能不知不觉重仓某个行业，这是平台留给你的进阶作业）；
回测页的 cost 参数 + 调仓周期，就是”成本 vs 信号衰减”权衡的两个旋钮（第五课的敏感性测试 = 手动优化这个权衡）；
A 股不能做空 → 你天然在”纯多头 TC 打折”的世界里，多空回测好看的因子，多头端表现才是你的真实收入（第四课讲过）。