标签： #因子模型

把真实持续 Alpha 精确设为 0，市场调整 CAR 照样开出 +16.96%（t=+14.82）。同一批 1500 个事件四种口径：原始 +25.17%、市场调整 +16.96%、规模匹配 +13.49%、三因子 +13.11%——光换基准就摆 3.85pp，没一个是 Alpha。分解锁死来源：强制抛售反弹 +13.16%、规模 +3.10%、价值 +0.38%、beta≠1 +0.37%，残差 −0.05%。两条硬对照：零压力零 Alpha 安慰剂里市场调整仍报 +3.80% 而三因子精确归零（−0.052%，t=−0.05）；规模溢价传导斜率 1.1159 与平均 SMB 载荷 1.1159 比值精确为 1.0000——那个「超额」逐字就是规模溢价乘载荷。剩下的 13.11% 是流动性报酬而非 Alpha：51.8% 在 20 天内赚完，窗口滚离资金流后从 +11.85% 塌到 +1.91%。容量是真天花板：只有 14 个并发仓，2.5 亿美元时投放率已跌到 17.5%，半衰容量约 2.69 亿。样本量红线：单事件 SD 42.65%、36.7% 为负，需 42 个事件才够 t=2

Fan-Liao-Mincheva（2013）的 POET 把高维协方差拆成『低秩因子部分 + 稀疏残差部分』：PCA 提前 K 个主成分吃掉公共风险，残差协方差做自适应软阈值恢复块结构。N=100/T=252（c=0.4）实测最反直觉的结论：协方差本身的 Frobenius 误差各方法几乎分不出胜负（样本 0.45 vs POET 0.47），POET 的主战场在逆矩阵——精度矩阵谱范数误差样本协方差 197 vs POET 22，差 9 倍，T=126 时更是 2144 vs 24 的灾难现场；GMV 组合真实波动率 25.2% vs 13.8%。残差软阈值把非零占比从 91% 压回 13%（真实 9%），行业块结构肉眼可见地恢复。两个工程陷阱：特征值比值法选 K 会被市场因子霸屏（K̂=1），需排除首峰看次峰；纯因子模型（残差取对角）短窗口和 POET 打平但长窗口被反超——它到 T=1008 还带着 0.39 的结构偏差不收敛。诚实边界：残差稀疏性是假设不是事实；阈值常数需交叉验证；K 选错在 Frobenius 口径几乎无感但精度矩阵口径放大。

板块不是孤岛——半导体一动，消费电子、新能源车、光伏跟着抖。传统 GCN 用固定归一化权重平均所有邻居，把真信号和噪声边一视同仁地糊在一起。图注意力网络 GAT 换思路：给每条边学一个注意力分数 α，让模型自己决定『该多听谁的』。本文用纯 numpy 从零实现单层 GAT（含通过 masked-softmax 的完整反向传播），构造 10 个板块的有向信息流图，故意混入 9 条『市场惯性误认』的噪声边（图上有连接但真实传导=0）。500 个时间点训练后样本外对比：GAT 的 IC 0.670，甩开被噪声边拖累的 GCN（0.625）和完全无图的 MLP（0.577）。注意力热图显示 GAT 学到的 α 与真实传导 β 高度吻合、对噪声边自动降权；hub 分析揭示 GAT 给『消费电子→半导体』分配 0.495 权重（GCN 固定只给 0.316），因为它读得懂『这条边真的重要』。拆穿注意力=因果、单层感受野局限、注意力可解释性幻觉、图结构错了 GAT 也救不了四类陷阱（中阶）。

PCA 只能把信号解相关，ICA 能把它们解独立——这一字之差在金融里是天壤之别。合成实验：3 个独立的非高斯潜在驱动（重尾冲击、偏态动量、区制切换）经一个混合矩阵变成 3 条观测『资产收益』，观测间相关高达 0.72~0.83。FastICA 用 tanh 非线性做定点迭代，把三个源全部还原到 |相关|=0.999；PCA 拿同样数据只做到 0.66~0.87——因为不相关不等于独立，PCA 找的是方差最大的正交方向，不是统计独立的方向。核心引擎：中心极限定理让混合信号趋近高斯（观测源峰度从 2.82 掉到 1.45），所以『最大化非高斯性』就能反解出源，还原后峰度回到 2.83。纯 numpy 实现白化+deflation FastICA，并拆穿『ICA 能定源顺序/能定幅度/源一定有金融意义/高斯源也能分/成分越多越好』五类陷阱（中高阶）。

PCA 的成分有正有负，你没法把 PC1 读成『40% 科技 + 30% 消费』——因为它允许负载荷，本质是方差最大的正交方向，不是构成。NMF 强制 W、H 全非负，分解出的每个基就是一个可加的『主题』，每个资产是这些主题的非负叠加，读起来像占比。合成实验：12 个资产由 3 个非负时间主题混合而成，NMF 乘法更新 400 次把重构误差从随机初值压到 2.536，还原的时间基激活与真实基相关 0.82~0.92、权重矩阵相关 0.80~0.91；PCA 拿同样数据，58.3% 的载荷是负的，PC1 根本没法解释成资产构成。秩选择靠误差肘部：K 从 1→2→3 时误差 17.48→10.98→2.52 断崖下跌，K=3 之后拐平（2.52→2.51→2.30）精确对上真实秩。纯 numpy 实现 Lee-Seung 乘法更新，拆穿 NMF 唯一解/成分自动对齐/负值数据也能用/秩越大越好/基一定有金融意义五类陷阱（中阶）。

单一模型永远有盲区——线性回归不懂非线性、核方法抓不住交互、周期项被当作噪声。Stacking 集成的妙处是用一个元学习器，把多个互补基学习器的预测「加权拼」成最终预测：谁准就听谁的。本文用纯 numpy 从零实现（含 proper Out-of-Fold 防泄漏），合成一支「线性+tanh非线性+交互+周期」混合结构的收益宇宙，训练四个各只看得见一块的专科专家，最终 Stacking 把测试集 IC 从单模型 0.10–0.40 拉到 0.61、多空收益差从 0.23–0.84 抬到 1.24，并诚实拆穿「基学习器同质化时集成几乎无效/元学习器小样本过拟合/权重天花板/OOF 不做必泄漏/线性读出下不赢线性基线」五类真实陷阱（中阶）。

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 600 个因子、30 个经济含义分组，但只有 6 个组真有信号——普通 Lasso 会把整组零碎系数逐个挑出来，破坏分组结构、也难解释。稀疏组 Lasso(SGL) 用「先组级、再组内」的复合 L1 惩罚，把变量选择变成「整组进/整组出」+「组内精炼」两步。本文用高维(N<P)合成面板从零实现 SGL 的 FISTA 近端梯度求解，5 折交叉验证选 λ，对照 OLS/Lasso/GroupLasso：OLS 样本外 R² 崩到 −3.58（过度记忆），SGL 拉回 +0.18，并找回 86% 真信号组的系数，附完整 Python 与四类真实陷阱（高阶）。