第 2 章（中）：方法论之回归法与 Fama-MacBeth
排序法直观但一次只能看一两个因子；回归法可以同时控制多个因子，是学术检验的主力武器。这一页把两种回归的思想剥出来——公式在原书里，思想在这里。
时间序列回归：检验”因子模型解释得好不好”
做法：对每只股票（或组合），用它的收益序列对各因子收益序列做回归：
股票收益_t = α + β1 × 市场因子_t + β2 × 规模因子_t + ... + 残差_t读数：
- 回归出的 β = 该股票在各因子上的暴露（市场 Beta 是 1.2 还是 0.8）；
- 截距 α = 所有因子都解释不了的”剩余收益”。
用途：检验一个因子模型的解释力——如果模型足够好，所有股票的 α 都应接近零（GRS 检验干的就是这事）。反过来，某策略跑赢了市场，拿去对五因子回归，α 不显著——说明它的”超额”只是因子暴露的搬运，不是真本事。这是评价基金经理的标准姿势。
Fama-MacBeth 回归：检验”因子有没有溢价”（1973）
这是实证资产定价领域引用最多的方法之一，分两步：
第一步（逐期截面回归）：在每个时点 t，用当期全部股票做一次截面回归——
下期收益_i = γ0 + γ1 × 因子暴露_i + 残差_i （i = 每只股票）每期得到一个回归系数 γ1，它的含义是”该期因子暴露每高一单位，多赚多少收益”。
第二步（时间平均 + 检验）：把历史上所有期的 γ1 拿来求平均、做 t 检验。平均值显著为正 → 因子暴露长期被市场”支付”了溢价。
Fama-MacBeth 的聪明之处：把”因子是否有溢价”变成”一串 γ1 的均值是否为零”的简单检验，同时天然处理了截面上股票收益相关的难题（每期一次回归，期与期之间近似独立）。它至今是学术界报告因子溢价的标准格式。
回归法 vs 排序法
| 排序法 | 回归法 | |
|---|---|---|
| 函数形式 | 无需假设 | 假设线性 |
| 多因子控制 | 双重排序（最多 2~3 个） | 可同时控制很多个 |
| 极端值 | 分组天然稳健 | 对极端值敏感（需缩尾处理） |
| 直观性 | 净值曲线一眼懂 | 系数表需要训练 |
| 对应实盘 | 直接是可交易组合 | 系数不直接对应组合 |
原书的建议也是实务共识：两种方法互为验证。排序单调 + Fama-MacBeth 显著，双证据齐全的因子才算扎实；只有一边成立时，去查是函数形式问题还是极端值问题。
和你在本平台做的事是什么关系
本平台的 IC 分析其实是回归法的近亲：每期算”因子值与下期收益的截面相关系数”，再对相关系数序列求均值、做 t 检验——结构上就是 Fama-MacBeth 的两步（逐期截面统计 → 时间平均检验），只是把回归系数换成了相关系数（RankIC 则换成秩相关，对极端值更稳健）。
所以第四课那张 IC 报告表，你现在可以用学术语言重新读一遍：
- IC 均值 ≈ 因子溢价的方向和强度；
- t 统计量 = Fama-MacBeth 式的显著性检验；
- RankIC 优先 = 用秩相关对冲”线性假设 + 极端值”两个弱点。
动手：在因子分析页任跑一个因子，看报告里的”样本期数 n”——那就是 Fama-MacBeth 第二步里”一串 γ 的个数”。期数太少，均值检验就没有力量，这就是第四课说”几十期以下结论不可靠”的统计学根源。
本页带走的三句话
- 时间序列回归量暴露、检验模型；Fama-MacBeth 逐期截面回归再时间平均，量溢价；
- 排序法和回归法互为验证，双证据齐全的因子才扎实；
- 本平台的 IC 分析就是 Fama-MacBeth 的简化版——你早就在用学术标准方法了。