第三道工序：多预测组合——alpha 池的管理科学

对应原书第 3 章（Forecast Combining）。这是全书最独特的一章——多数教材写到”找到一个好信号”就结束，这章讲的是机构真正的日常：手里有几百个信号时怎么办。原书无中译；本页为原创导读笔记。

为什么这是一个独立工序#

一家成熟 statarb 机构的 alpha 池里有成百上千个预测：不同数据源、不同周期、不同研究员、不同衰减速度。它们互相相关、质量参差、随时有新成员加入和老成员退役。把它们合成一个”总预测”的方式，对最终业绩的影响不亚于任何单个 alpha 的质量。这也是外部人最难自学的环节——公开文献少，因为这正是各家的护城河。

两条合并路线#

组合层面合并：每个 alpha 各自构建组合，最后把持仓加权相加。好处是权责清晰（多 PM 平台的组织形式就是它的物理实现），坏处是互相打架——A 策略买入的同时 B 策略卖出，成本花了两遍，风险对冲也不最优；
预测层面合并：先把所有预测合成一个总预测，再统一做一次组合优化。理论上严格更优（成本和风险全局统筹），但要求所有 alpha 进同一个技术栈、同一套口径——组织成本高。

原书立场明确：能走预测层面合并就走预测层面，组合层面合并是组织现实的妥协。

怎么合：从均值-方差到二级 ML#

把 K 个预测合成一个，最自然的框架仍是均值-方差：按各自的预期 IC 与相互相关性矩阵求最优权重。难点全在工程上：

相关性矩阵病态——alpha 数量多、历史短、两两高相关，样本相关阵不可直接求逆，必须收缩（shrinkage）或降维；
预测的 IC 本身非平稳——好 alpha 会衰减，权重要能自动跟随（滚动估计、指数加权）；
更激进的路线是二级机器学习：把各 alpha 的输出当特征，再训练一个模型输出总预测——灵活，但把可解释性又抵押了一层。

还有一个上游分岔：合并特征还是合并预测？把所有原始特征丢进一个大模型（理论上限更高、但过拟合风险与组织耦合也更高），还是让每个 alpha 独立成形后再合并（模块化、可归因、便于团队分工）。原书倾向后者——在低信噪比行业，可归因性本身就是生产力。

Alpha 池的日常管理#

这章最有”内部备忘录”味道的部分：

开发规范：新 alpha 提交时必须带标准化档案——样本期、假设、换手、容量估计、与现有池的相关性。相关性过高的新信号，边际价值趋近于零；
PnL 归因：总组合的盈亏要能拆回每个 alpha 的边际贡献——这是决定谁加仓、谁退役的依据，也是研究员激励的基础；
诚实的退役机制：alpha 衰减是常态不是事故，池子的健康靠新陈代谢维持。

对本平台用户的映射：当你有了三五个因子，“等权合成一个总分”就是最朴素的预测层面合并；这章告诉你升级路径是IC 加权 → 相关性修正加权 → 二级模型，以及每一步升级需要什么基础设施（因子相关性监控、滚动 IC、归因报表）。

本页带走的三句话#

机构的真实问题不是”找一个好信号”而是”管理几百个信号”——合并方式对业绩的影响不亚于单个 alpha 的质量；
预测层面合并优于组合层面合并：成本与风险全局统筹，多 PM 结构是组织妥协而非最优解；
alpha 池管理的三件套——入池查相关性、在池做 PnL 归因、衰减就退役；可归因性本身就是生产力。