收益模型篇：基本面因子模型 vs 经济因子模型

共同骨架：收益 = 暴露 × 溢价 + 残差#

两类模型共享同一个方程：股票收益 = Σ（因子暴露 × 因子溢价）+ 特质收益。区别只在一个问题上：方程里谁是已知的、谁需要估计？

基本面因子模型：每个截面日，用全体股票的”特征 → 下期收益”跑一次回归，回归系数就是当期各因子的溢价。特征天天可观测，所以暴露永远新鲜——这是它成为商用风险模型主流的原因。

经济因子模型：因子本身是时间序列（GDP 意外、利率变化、市场收益），每只股票对因子的敏感度 β 用自己的历史回归出来。经济含义最清晰，但 β 估计需要长历史、且假设 β 稳定。

书中反复强调：两者在理论上是同构对偶的，选哪个取决于你手里哪类数据更可靠、哪端更稳定，而不是哪个”更正确”。

模型给的第二件礼物：风险结构#

因子模型不只给预期收益，还把协方差矩阵拆成因子协方差 + 特质方差。几千只股票两两协方差有上百万个数，直接估根本不可行；降到几十个因子后就能稳定估计——这是下一页组合优化能落地的前提。Z-score 打分模型没有这个副产品，所以只能配简单权重方案。

第 8 章：预测——模型的燃料#

有了结构还要有输入：未来的因子溢价与暴露从哪来？书中给了一个诚实的清单：

• 历史均值外推：最常用也最稳健的基线，隐含”溢价长期稳定”假设（对应七大原则第 6 条）；
• 时间序列模型：给溢价建模（均值回复、动量），能加分但容易过拟合；
• 外生信息：宏观判断、分析师预期——主观观点如何严格地混入模型，留给贝叶斯 α（本精读第 6 页）。

值得记住的姿态：预测环节的期望值要放低。模型结构再精美，预测精度天花板就是 IC 的量级（0.05 已经可观）——结构是放大器，信息才是燃料。

对应本平台#

平台的隐含模型是最简版：因子值即暴露，“溢价为正且稳定”由 因子分析的历史 IC 检验背书，风险结构则完全没有建模（等权 top-N 不需要协方差）。当你将来想做”控制行业暴露、限制个股权重”的组合时，就是需要基本面因子模型的时刻。

本页带走的三句话#

1. 两类因子模型是对偶的：基本面模型”暴露已知估溢价”，经济模型”溢价已知估暴露”；
2. 因子模型真正的礼物是风险结构——把不可估的协方差矩阵降维成可估的因子协方差；
3. 预测环节期望要低：结构是放大器，信息才是燃料，历史均值是最难打败的基线。