标签： #主成分分析

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。