标签： #pca

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。

一条收益率曲线有十几个期限点，天天在变，但它们不是各自乱动——绝大部分变动可以用三个隐藏因子概括：整条曲线平移（水平）、长短端反向（斜率）、中段凸起（曲率）。固定种子（20260801）的受控模拟：造一条由三个已知因子驱动的曲线，PCA 从纯粹的日度变动里恢复出这三个因子——前三主成分吃掉 99.5% 方差（PC1 水平 91.1% / PC2 斜率 7.5% / PC3 曲率 0.9%），恢复的载荷与真实载荷相关系数斜率 1.00、曲率 1.00，几乎完美。这不是巧合：它复现了 Litterman-Scheinkman 三十年前在美债上发现的经典分解。但 PCA 有两个必须知道的陷阱：载荷的正负号是数学上任意的（同一份数据能给出符号相反、同样合法的载荷），必须人为固定符号约定；以及主成分方向在不同样本上会漂移——前两个因子（水平、斜率）跨样本子空间夹角只有 0.2°/0.8°，极稳定，但曲率因子噪声大得多（夹角 1.5°）。伪因子对照最硬：喂三条完全独立的随机变动，PC1 只能解释 11.4% 方差——真实数据里 PC1 的 91% 主导，本身就是『存在共同因子』的证据。2-5-10 蝶式（曲率）均值回归策略 Sharpe 1.82，超过 300 次置换的 95 分位 0.78。四项对抗式检验全过。

Stambaugh-Yuan (2017) 发现学术界几百个「异象」大多不是独立 alpha，而是两坨系统性误定价的症状。本文从零用 PCA 把 17 个异象坍缩成 MGMT 与 PERF 两个误定价因子，并用时间序列回归证明：FF3 下异象平均留 4.28% 的年化 alpha，加入 MGMT+PERF 后塌到 0.58%。附完整 Python 与五类真实陷阱（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）。

流动性共同因子：用 PCA 在个股 Amihud ILLIQ 矩阵上抽出系统性流动性因子，解释 67.8% 截面方差；危机期截面相关性从 5.5% 飙到 35.6%，共同因子暴露溢价从 −2.5% 被放大到 +11.0%。附 Python 与五类真实陷阱。

深入探讨主成分分析(PCA)在统计套利中的应用，从降维视角理解配对交易，并提供完整的Python实现框架。