标签： #因子模型

经典的 Fama-French 三因子用 MKT/SMB/HML 解释截面收益，但 Hou-Xue-Zhang（2015）的 q 因子模型提出一个更彻底的经济学叙事：HML 只是「低投资」的代理，SMB 只是「小盘更易被错误定价」的代理。真正驱动截面的是投资（IA）与盈利（ROE）两个经济变量，背后是投资学的 q 理论。本文用合成面板实跑：ROE 多空 Sharpe 5.51、IA 多空 Sharpe 4.86、纯规模信号几乎被盈利/投资吸收（Sharpe −0.02），q 四因子对截面组合平均 R² 0.974 高于 FF3 的 0.973、平均 |alpha| 0.0021 低于 FF3 的 0.0025，Tobin's q 与未来收益呈负向（corr −0.68）——正是 q 理论的直接证据。附完整 Python 与七类真实陷阱（高阶）。

Fama-MacBeth 把「因子能不能赚到风险溢价」拆成两步：先估每家公司对因子的暴露、再逐月截面回归把暴露定价成 λ̂。合成里 λ̂ 精确还原真值，Newey-West 修正压低虚高 t 统计，单因子定价误差 |α|=0.78、补全因子后塌到 0.003，附完整 Python 与六类真实陷阱（高阶）。

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）。

集成模型平均不是玄学而是有解析保证：Var(S_M−μ*)=(σ²/M)·(1+(M−1)ρ)，只有模型误差独立(ρ小)才持续降噪。合成里单模型 IC 0.134、40 模型集成升到 0.229，Sharpe 从 1.60 拉到 3.12，附完整 Python 与六类真实陷阱（高阶）。

杠杆厌恶因子(原 BaB)不是又一个风险因子，而是质疑 CAPM 本身：受杠杆约束的投资者推高高 β 价格、压低低 β 价格，使证券市场线(SML)被压平、低 β 反而跑赢。从零实现 beta 十分位、SML 检验与杠杆中性组合，附完整 Python 与六类真实陷阱（高阶）。

流动性调整 CAPM：Pastor-Stambaugh 加流动性因子，把『别人缺流动性时你也缺』的风险定成溢价。模拟里流动性 Beta 组合收益 −8.3%→+21.3%，定价误差降 69.9%，附 Python 与五类陷阱。

组合波动从来不是一个数，而是无数风险源叠加。本文用 Barra 式因子模型 r=Xf+u，把组合方差拆成行业、风格、特异性三块，给出精确风险贡献公式 C_k=a_k(Fa)_k，并用偏科技+动量的组合演示：84.6% 风险来自因子、科技独占 65.6%，顺带指出因子缺失、估计误差、非平稳三大陷阱。

用 Nelson-Siegel 三因子模型把 11 个期限的收益率曲线压缩成「水平 / 斜率 / 曲率」三个可解释因子，Python 完整复现曲线拟合、因子时序与载荷分解。