标签： #主成分分析

最小方差对冲的标准做法是对一堆候选工具做 OLS 回归、用残差当『已对冲』收益。但当你有 200 个对冲工具、只有 150 天样本、且大部分工具只是噪声时，OLS 会过拟合到样本内 R²=1.0、样本外 R²=−322。本文用 numpy 从零实现 PCA 降维对冲：只取承载真实信息的几个主成分，残余方差从 OLS 的『虚高 100% 对冲』回到诚实的 99%，样本外 R² 稳在 0.97。附完整 Python 与三张真实计算图。

标准 PCA 对极端离群点几乎零容忍——一只复牌补跌或业绩暴雷的股票，就能把整个截面因子结构拽偏。本文 numpy 从零实现稳健 PCA（主成分追踪 PCP），在 N=60/T=250、3% 离群污染的合成数据上把低秩恢复相关从 0.968 拉回 0.998，离群点 100% 召回且不误报，还给出完整 Python 与三张真实计算图。

Kritzman et al.（2011）的吸收比率：滚动协方差特征分解后看前 K 个主成分吸收多少总方差——AR 高意味着资产被公共因子『焊死』，冲击沿传导链放大。它度量脆弱性而非危机：AR 高不预测下跌，只预测『一旦跌会又急又齐』。30 资产两 regime 模拟（15 年）实测：脆弱期 AR 0.78 vs 平静期 0.61，AUC 0.863；ΔAR>1 组未来 10 日波动 17.1% vs 8.4%（翻倍）、左尾 5% 分位 −6.1% vs −2.2%，但收益均值反而最高——预测波动不预测方向。风险开关（ΔAR>1→仓位 30%）：波动 16.1%→10.9%、Sharpe 0.91→1.01、最大回撤 −43.8%→−39.1%，年化 14.7%→11.0%——买保险要付保费。诚实边界：模拟 regime 由因子强度驱动、AR 天生占便宜；减仓日占比 28% 摩擦不可忽略；超参数未调优；AR 与波动率高度相关，增量信息需控制波动率后再检验。

12 个资产的日收益协方差矩阵，前 3 个主成分就能解释 92.8% 的截面波动——这意味着资产收益的「联合运动」其实由少数几个宏观因子驱动。本文用 PCA 把高维协方差降维成「宏观因子定价」：先用合成的真实因子结构展示前 3 主成分恰好对应市场/价值成长/商品通胀三因子，再把 PCA 收缩应用于协方差估计，证明在短估计窗口下，最小方差组合因去噪而波动率更低、月度换手率直降 42%，附完整 Python 与五类真实陷阱（中阶）。

你有 50 个宏观指标,每个都有噪声和各自的惯性,共同趋势被淹没在面板里。动态因子模型(DFM, Stock-Watson 2002)主张:真正驱动一切的只有少数几个『共同因子』。两步法把 8 条指标压成 1 条因子,与真实共同因子的相关从单条指标的 0.51~0.82 拉到 0.91。本文从零复现并拆穿三类真实陷阱(中阶)。

标准 PCA 把主成分载荷铺满全部股票，可解释性为零。稀疏 PCA（L1 惩罚）把载荷重新集中回板块，得到少数几个可解释、彼此正交的共性因子；把它们从收益里剥掉，剩下的残差才干净地均值回复。合成 40 股 4 板块里，稀疏 PCA 每层只点亮约 10/40 只股票、用 3 个因子换到约 57% 解释方差，残差套利净值跑赢买入持有。附完整 Python 与六类真实陷阱（高阶）。

用 Nelson-Siegel 把收益率曲线拆成水平/斜率/曲率三个宏观因子：β0长端水平、β1斜率、β2曲率。本文合成10期限12年日度数据，NS拟合R²中位数0.99，PCA显示前3主成分解释99.6%跨期限波动。