第 6 章：基本面因子模型——Barra 传统的完整打开

基本面因子模型的流水线#

“基本面”在这里指用可观察特征定义因子暴露（行业、市值、估值、动量……），流程与统计因子相反——先定暴露，再估因子收益：

1. 特征构造与标准化：每期截面上去极值、标准化（均值 0、方差 1），行业用 0/1 哑变量；
2. 截面回归：每天用全市场个股收益对暴露矩阵 B 回归，回归系数就是当天各因子的收益——日复一日，得到因子收益时间序列；
3. 加权最小二乘（WLS）：小盘股特质波动大、噪声多，用特质方差（实务常用市值的函数近似）的倒数加权，别让最吵的股票主导估计；
4. 汇总成模型：因子协方差矩阵 + 特质方差，个股/组合的风险预测由此拼装。

收缩：这一章真正的现代内核#

样本协方差在”股票数不远小于样本天数”时误差巨大，本书把收缩（shrinkage）系统地用在两处：

• 因子协方差矩阵收缩：样本因子协方差向结构化目标（如对角阵）拉一把，牺牲一点偏差换估计方差大幅下降——组合优化对输入误差极其敏感，这一步直接决定优化出来的组合是不是垃圾；
• 特质协方差收缩：个股特质方差的截面估计同样要向截面均值收缩；书中还讨论特质相关的处理（同一集团、AH 双重上市这类残差相关）；
• 时变性用 EWMA 处理：近期观测权重更高，与第 2 章的波动率工具链无缝衔接。

落地门槛：如实说#

这一章是全书”机构基础设施”味道最重的地方：要造一个像样的基本面模型，需要点入时的财务与特征数据、干净的行业分类、覆盖全市场的日频面板，还要长期维护。个人研究者的现实路径：

• 微缩版完全可做：行业哑变量 + 市值 + 动量三类暴露，A 股日频面板足够跑通整条流水线；
• 关键是学结构而不是抄参数：截面回归给出的”纯因子收益”（控制了其他暴露的因子收益）比一元分组收益干净得多——这是从本平台”分层回测”往前走的下一步。

与 Grinold & Kahn 的对照#

G&K 假设”你已经有一个风险模型”，直接从 IC 讲起；本书补上了被跳过的那半本书——风险模型本身怎么造、怎么收缩、怎么检验。三十年实务把”买 Barra”变成了”懂 Barra”。

本页带走的三句话#

1. 基本面因子模型 = 先用特征定暴露，再用每日截面回归估因子收益——“纯因子收益”比一元分组干净得多；
2. 收缩不是锦上添花而是生死线：优化器对协方差输入误差极敏感，不收缩的模型喂给优化器只会产出垃圾组合；
3. 完整复现需要机构级点入时数据，但”标准化 → 截面回归 → 收缩”的结构，用 A 股日频面板就能学会。