第 4~5 章：线性模型与"风险模型也要考试"

第 4 章：为什么是线性模型#

收益的线性模型：r = Bf + ε，个股收益 = 因子暴露 × 因子收益 + 特质残差。书中给出选择线性的理由，不是”数学简单”这么敷衍：

• 股票收益的信噪比极低，复杂模型多出来的容量几乎全部用于拟合噪声——线性是与信噪比匹配的模型容量；
• 线性模型的估计误差可以解析刻画，出了问题知道去哪找；
• 组合层面天然可加：组合暴露 = 持仓加权的个股暴露，风险分解、对冲、归因全部顺理成章。

一个因子模型同时服务三个用途，这是本书反复使用的框架：

1. 风险分解：组合方差 = 因子部分 + 特质部分；
2. 对冲：把不想要的因子暴露对冲掉，留下想赌的部分；
3. alpha 正交化：你的”独门信号”先对因子回归，剩下的残差才是真正属于你的 alpha——大部分自以为的 alpha 在这一步现出原形，只是动量或市值的换装。

第 5 章：评估风险模型#

全书最被书评称道的章节之一。收益预测有 IC 可考，风险预测怎么考？本书给出系统答案：

• 偏差统计量（bias statistic）：把每天的组合收益除以模型前一天预测的波动率，得到标准化收益序列 z_t。若模型完美，z_t 的标准差应≈1——显著大于 1 是低估风险，小于 1 是高估；
• 检验要在多种测试组合上做：随机组合、行业组合、优化后组合——优化器会专门往模型低估风险的角落里钻（所谓 optimizer’s curse 的风险版），所以优化组合是最严的考卷；
• 分位数/Q-Q 检查尾部：方差对了不等于尾部对了。

一句区分记牢：风险模型不预测你赚多少，只预测你结果的散布有多宽——它考的是”分布宽度”，不是”分布中心”。

对本平台用户的迁移#

• 先做穷人版偏差检验：用组合近 60 日 EWMA 波动率做预测，检查标准化收益的标准差是否≈1（细节属方法迁移，非书中原例）；
• 每次觉得挖到新因子，先对市值、动量、行业哑变量回归——残差还显著，才配叫新因子；
• 回测夏普很高但实盘回撤远超预期？八成不是 alpha 消失，而是风险模型（或根本没有风险模型）低估了组合波动。

本页带走的三句话#

1. 线性不是妥协而是匹配：低信噪比下，多余的模型容量只会拿去拟合噪声；
2. 因子模型一鱼三吃——风险分解、对冲、alpha 正交化；不做正交化，你的”独门信号”多半是动量换装；
3. 风险模型也要考试：标准化收益的标准差≈1 才及格，且要用优化后的组合当考卷，因为优化器专挑模型低估风险的角落钻。