Fama-MacBeth 截面回归：两步法把因子暴露变成风险溢价

「这个因子到底有没有风险溢价？」——这是因子研究里最朴素也最容易被搞砸的问题。直接把股票按因子排序看未来收益（组合法），简单但有偏；用全样本 OLS 把 N 只股票叠在一起回归，又会因为截面相关把标准误严重低估、制造一堆「显著」假阳性。Fama & MacBeth (1973) 给了一条干净的路径：第一步时间序列估暴露、第二步逐月截面回归定价，最后对逐月斜率取平均。它天然处理了截面相关，还能用 Newey-West 修正斜率序列相关带来的标准误失真。

结论先放这：在 400 家公司、240 个月的模拟里，真实风险溢价 λ = (0.5, 0.8, 0.6, 0.0)（Size / Value / Momentum 有溢价，Noise 因子无溢价）；Fama-MacBeth 第二步估出的 λ̂ 精确还原为 (0.5, 0.8, 0.6, 0.0)。逐月 γ_t 经 Newey-West(1) 修正后的 t 统计为 (16.1, 12.3, 14.6, 1.5)——前三个远超 2、Noise 因子 1.5 不显著，恰好对应『哪些因子真有溢价』；而朴素同方差 t 偏高到 (21.2, 16.8, 19.9, 1.5)，说明 N-W 修正把虚高的显著性压了下来。更关键的是定价误差：只用近似 CAPM 的单因子定价，平均 |α|=0.78（严重遗漏）；补全四个因子后 |α|=0.003≈0——多因子才把横截面收益解释干净。*

一、两步法的动机：为什么不能直接叠 OLS#

最常见的错误是「把 N 只股票、T 期收益叠成一个大面板，跑一个 OLS」。问题在于：同一月内的公司收益彼此相关（共同因子、行业冲击），残差不满足「独立同分布」，OLS 标准误会被系统性低估——你以为 t=8 的因子，可能只是被截面相关放大出来的幻觉。

Fama-MacBeth 的聪明在于把『跨期变化』和『跨公司横截面』拆开：

• 第一步（时间序列）：对每只公司 i，用 r_it = α_i + β_i·f_t + ε_it 估计它对每个因子的暴露 β_i（这里为演示，我们跳过这层、直接把已知暴露 f_i 当 β_i，避免第一步估计误差污染第二步要展示的机制）；
• 第二步（截面）：每个月 t，用横截面回归 r_it = a_t + β_i·γ_t + u_it 把当月的暴露「定价」成斜率 γ_t；
• 汇总：λ̂ = mean_t(γ_t)，标准误用逐月 γ_t 的样本分布算，并可选 N-W 修正。

第二步里每一月都是一次独立横截面回归——截面相关被「每月一次」天然吸收了（残差相关只存在于同月，不跨月），而跨期自相关由汇总步骤的标准误处理。

二、构造数据：让某些因子有真溢价#

模拟 400 家公司、240 个月。每家公司有 4 个固定因子暴露 f_i = (size, value, mom, noise)。真实风险溢价 λ* 给为 (0.5, 0.8, 0.6, 0.0)。逐月溢价 λ_t 在真值附近做持久波动（AR(1)，φ=0.85，模拟因子溢价真实的时变性），保证其时间平均恰好等于 λ*：

import numpy as np
rng = np.random.default_rng(20260715)
N, T, K = 400, 240, 4
lambda_true = np.array([0.50, 0.80, 0.60, 0.0])     # size, value, mom, noise
names = ["Size", "Value", "Momentum", "Noise"]
F = rng.normal(0, 1, (N, K)); F[:, 0] = rng.normal(0, 1, N)   # 公司因子暴露

phi = 0.85
theta = np.zeros((T, K))
for t in range(1, T):
    theta[t] = phi * theta[t-1] + rng.normal(0, 1, K)
theta -= theta.mean(0)                                # 去均：平均溢价 = 真实 λ*
lambda_t = lambda_true[None, :] * (1 + 0.45 * theta) # T×K 逐月溢价

common = rng.normal(0, 0.012, T)                      # 共同冲击（截面相关来源）
beta_common = rng.normal(0, 0.5, N)
idio = rng.normal(0, 0.060, (T, N))
R = (F[None, :, :] * lambda_t[:, None, :]).sum(-1) + beta_common[None, :]*common[:, None] + idio

注意 beta_common 让所有公司共享一个逐月共同冲击——这正是真实世界里截面相关的来源，也是直接叠 OLS 会翻车的地方。

三、第二步：逐月截面回归得到 γ_t#

每个月跑一次横截面 OLS，R[t] 对 F 回归，取斜率：

Gamma = np.zeros((T, K))
for t in range(T):
    X = np.hstack([np.ones((N, 1)), F])
    co = np.linalg.lstsq(X, R[t], rcond=None)[0]
    Gamma[t] = co[1:]                                  # 逐月斜率 γ_t
lambda_fm = Gamma.mean(0)                             # Fama-MacBeth 风险溢价估计

结果：λ̂ = (0.50, 0.80, 0.60, 0.00)——小数点不差地还原了真实 λ*。这不是巧合：在「暴露已知、溢价均值 = λ*」的设定下，截面回归的斜率均值本就该收敛到 λ*。F-M 的正确性，在这里被数学校验了。

图 2 画出三个有溢价因子的逐月 γ_t：它们都在真值虚线上下波动，振幅来自逐月溢价波动 + 截面噪声。F-M 做的事就是「对这 240 条线取平均」，把噪声平均掉、留下真值。

四、标准误与 Newey-West：别被虚高的 t 骗了#

逐月 γ_t 是时间序列，自带自相关（因为溢价 λ_t 是 AR(1) 持久过程）。朴素同方差标准误 se = std(γ_t)/√T 忽略了这种自相关，会低估标准误、抬高 t。Newey-West(1) 修正把滞后 1 的自协方差加回来：

def nw_se(g, L=1):
    Tn = len(g); g = g - g.mean()
    acov0 = np.sum(g*g)/Tn
    adj = 0.0
    for l in range(1, L+1):
        w = 1 - l/(L+1)
        adj += 2*w*(np.sum(g[l:]*g[:-l])/Tn)
    return np.sqrt((acov0+adj)/Tn)

t_naive = lambda_fm / (Gamma.std(0, ddof=1)/np.sqrt(T))
t_nw = np.array([lambda_fm[k]/nw_se(Gamma[:, k], 1) for k in range(K)])
# naive t   = (21.2, 16.8, 19.9, 1.5)
# NW    t   = (16.1, 12.3, 14.6, 1.5)

N-W 把三个有溢价因子的 t 从 1621 压到 1216——仍然高度显著，但更诚实。Noise 因子无论哪种都只有 ≈1.5，正确地「不显著」。结论：F-M 的 t 统计必须经自相关修正，否则你会系统性地高估因子显著性、把噪声当 alpha。

五、定价误差：单因子漏了多少，多因子补了多少#

F-M 还能直接检验「因子集是否完整」。用估出的因子暴露做全样本横截面定价，看截距 α（定价误差）是否为零：

def pricing_error(use_cols):
    X = np.hstack([np.ones((N,1)), F[:, use_cols]])
    co = np.linalg.lstsq(X, R.mean(0), rcond=None)[0]
    return R.mean(0) - X @ co                       # 平均收益 - 因子解释部分 = α

alpha_single = pricing_error([0])                   # 仅近似 CAPM（size 当市场代理）
alpha_multi  = pricing_error([0,1,2,3])             # 四个因子全上

| 定价模型 | 平均 |α| | 解读 | |---|---|---| | 单因子（近似 CAPM） | 0.78 | Value / Momentum 的溢价完全没被解释 → α 巨大 | | 多因子（4 因子） | 0.003 | 横截面收益基本被因子解释干净 |

图 3 右图直观对比：单因子留下 0.78 的定价误差（意味着还有一堆收益没被解释，即被遗漏的因子在作祟），补全因子后误差塌到 0.003。这正是 F-M 框架最锋利的地方——它不只是给溢价估值，还给你一把尺子量『你的因子集还差多少才够』。

六、分层验证：把溢价画成单调曲线#

把公司按 Value 暴露五分位分层，看年化收益是否随因子单调：

order = np.argsort(F[:, 1])
quint = np.array_split(order, 5)
qret = np.array([R[:, q].mean(1).mean() for q in quint]) * 12   # 年化
# Q1(最低) -13.05, Q2 -4.20, Q3 +1.03, Q4 +4.87, Q5(最高) +12.98

从最低到最高五分位，年化收益 −13.05 → +12.98，严格单调递增——和第二步估出的 +0.80 正溢价方向一致。这种「排序单调性」是因子有效性的最朴素证据，也是很多顶刊的入门检验。

七、六类真实陷阱（高阶必读）#

1. 第一步暴露的估计误差。 本文为演示把暴露 f_i 当已知。真实里暴露（β）用滚动时间序列回归估，本身有误差，且 β 时变。估计误差会衰减第二步 γ_t 的估计、压低 λ̂（attenuation bias），N-W 标准误也不再精确。落地必须用稳健的 β 估计（收缩 / 状态空间）。

2. 截面相关的残差。 即使第二步每月独立，同一月公司残差仍相关（共同因子未被完全控制）。F-M 用「每月一次横截面」吸收了同月相关，但月间的共同冲击（如系统性风险偏好）会让 γ_t 序列整体漂移，需要 N-W 或 bootstrap 校正。

3. 因子暴露的同步性偏差（errors-in-variables 的近亲）。 若因子本身由同时期收益构造（如动量用过去收益），暴露与残差相关，第二步 OLS 不一致。应使用前视无关的暴露（上一期账面价值、上一期市值）。

4. 组合法 vs F-M 的口径差异。 本文用连续暴露做回归，而业界常用「五分位组合收益」代替。两者估的是同一经济量，但组合法对非线性、极端值更稳健，回归法对小市值尾部更敏感。务必两种都跑、看是否一致。

5. 多重共线性与冗余因子。 若因子间高度相关（如 Size 与 Value 常相关），第二步 γ_t 的方差会暴增、个别 t 失真。应先看因子相关矩阵，必要时做 PCA 或正交化。本文 Noise 因子恰好不显著，但若它和某真因子相关，会污染真因子的 t。

6. 溢价可能是风险还是错误定价？ F-M 只证明「暴露有正溢价」，不区分这是对风险的补偿还是对错误定价的套利收益。要进一步，需把 λ̂ 和市场组合、宏观状态做联立检验（如 GRS 检验多因子模型是否零alpha）。

八、代码清单与落地路径#

完整可运行脚本：generate_fama_macbeth_images.py，含数据生成、逐月截面回归、N-W 标准误、定价误差与分层（配图同源）。落地到真实研究时：

1. 用 point-in-time 数据库取个股收益与因子暴露（市值、账面市值比、动量等，全部用上一期值避免同步偏差）；
2. 第一步：对每只股票滚动时间序列回归估 β_i（建议收缩估计）；
3. 第二步：逐月横截面回归 r_it ~ β_i，存 γ_t；
4. 汇总 λ̂ = mean(γ_t)，标准误用 Newey-West 或 block bootstrap 修正自相关；
5. 跑 GRS / α 检验看多因子模型是否零截距；用五分位组合做单调性复核；
6. 对每一步结果做样本外或 walk-forward 验证，避免把样本内显著当真 alpha。

Fama-MacBeth 的价值，不只是「算出风险溢价」四个数字，而是它给你一套**能区分『真溢价』与『截面相关幻觉』、能度量『因子集还差多少』**的严谨语言。会读 λ̂ 和 N-W t，才算真正入门了现代资产定价实证。

本文为量化专栏第 N 篇。所有数值来自自洽合成（暴露已知、溢价均值等于真实 λ），仅用于演示两步法与 N-W 修正机制；真实 β 估计误差、同步偏差与样本外显著性请以 point-in-time 无幸存者偏差数据库为准。*