因子投资方法论

2.1投资组合排序法

先回到一个第 1 章遗留的问题。因子的定义是"驱动众多资产共同运动的系统性风险来源"，这个定义很抽象：估值水平是因子、GDP 也可以是因子，但"价值因子这个月赚了多少"到底怎么算？答案是给抽象的因子找一个实体载体——一个专门为它构建的投资组合，用组合的收益率代表因子的收益率。

排序法：绕开"先有鸡还是先有蛋"

上面的构建有一个前提：已知每只股票在每个因子上的暴露。但暴露 $\beta$ 通常要靠"股票收益对因子收益回归"来估计——也就是说，算 $\beta$ 需要先有因子收益率，而算因子收益率又需要先有 $\beta$。这就是一个"先有鸡还是先有蛋"的死结。投资组合排序法（portfolio sort）的价值就在于用一个巧妙的近似绕开它。

排序法的操作分三步（以 BM 构建价值因子为例）：

1. 排序：确定股票池，把所有股票按 BM 在截面上从高到低排序。若变量与收益负相关（如波动率），则按惯例从低到高排。
2. 分组：按分位数分成 $L$ 组（惯例 $L=10$，即十分位）。做多排名最高的一组、做空最低的一组，且多空两头金额相等（资金中性），得到价差组合（spread portfolio）。组内个股常用市值加权或等权。这个价差组合就是排序法版本的因子模拟组合，它的收益率就是因子收益率。
3. 定期更新：股票的 BM 会变，需按月或按年再平衡（rebalance），重复前两步；两次再平衡之间记录组合收益，时间上串起来就得到因子收益率序列 $\{\lambda_t\}$。

排序检验（一）：因子预期收益率的 t 检验

有了 $\{\lambda_t\}$，第一件事是检验"这个因子长期到底赚不赚钱"。原假设 $H_0$ 是因子预期收益为零——即这个因子不被定价，多空收益只是噪声。检验用的是最基础的单样本 t 检验：

原书用 2000—2019 年 A 股数据对 BM 做了十分位排序（市值加权、每月再平衡）：价值因子月均收益约 0.9%，t 值约 1.85——只能在 0.1 的显著性水平下拒绝原假设，按 0.05 的标准则不算显著。这个例子顺带演示了一个事实：一个方向正确、量级可观的因子，完全可能因为波动太大而"差一口气"过不了显著性检验。

排序检验（二）：单调性

好因子除了多空收益显著，还应满足：$L$ 个分组的平均收益随分组序号单调变化——如果只有最高、最低两组表现极端而中间乱序，多空收益很可能是尾部几只股票的巧合。单调性用秩相关系数（rank correlation coefficient）度量，最常用 Spearman 秩相关系数：

下图用模拟数据演示排序检验在看什么。拖动滑杆改变"因子真实强度 $\lambda$"（数据生成时埋入的每月真实溢价），观察两件事：十个分位组合平均收益的单调梯子是否成形，以及多空价差组合的收益与 t 值如何变化。$\lambda$ 很小时，即使因子真实存在，20 年的样本也未必能让 t 过 2——统计检验的功效是有限的。

多重排序：控制第二个变量

单变量排序有一个天然缺陷：它控制不了其他因子。假想高 BM 股票恰好都是大市值股，那么按 BM 构建的价差组合无形中也做多了大市值、做空了小市值——它的收益是价值和规模两个因子的混合。补救办法是同时用两个（或三个）变量排序，统称多重排序法，其中最重要的是双重排序。

把求和重排一下，可以得到完全等价的"先做差、再平均"形式：

条件排序下计算 $X_2$ 因子收益率有两种做法。第一种沿用式 (2.6)/(2.8)：各格子先算收益、多空各 $L_1$ 个格子等权平均再相减。第二种是"并集法"——先把股票挑出来合并成两个大组合，再整体加权：

因子命名约定

同一个因子在文献里常有三种名字，以 BM 为例：按构建方式叫 HML（High-Minus-Low，做多高 BM、做空低 BM），按变量叫 BM 因子，按风格叫价值因子。FF 式命名的好处是名字自带方向信息——HML、RMW（Robust-Minus-Weak，盈利因子）表示变量与收益正相关，SMB（Small-Minus-Big，规模因子）表示负相关；坏处是因子一多就不够用、也不直观。本手册与原书一致，采用风格命名：用 BM 构建的叫价值因子、用 ROE 构建的叫盈利因子。理由有二：绝大多数研究对象是风格因子，风格名传达的信息最清楚；业界常用多个指标合成同一风格（如 BM 与盈利市值比 EP 合成价值），用单一变量命名会以偏概全。

2.2多因子模型的回归检验

排序法解决了"造因子"的问题，本节解决"验模型"的问题——这是全章的核心。回顾第 1 章式 (1.3)，多因子模型断言资产的预期超额收益完全由暴露决定：

无论用哪种回归方法，检验都是同样的三步：（1）估计每个资产的暴露 $\boldsymbol{\beta}_i$；（2）估计截面关系（得到 $\boldsymbol{\lambda}$ 和 $\alpha_i$）；（3）检验——联合检验 $N$ 个 $\alpha_i$ 是否为零，以及逐个检验因子溢价 $\lambda_k$ 是否显著。三种方法（时序回归、截面回归、Fama–MacBeth 回归）的区别只在第（2）步怎么做。

时序回归：Black–Jensen–Scholes

当因子收益率序列已知时——风格因子用排序法就能算出 $\boldsymbol{\lambda}_t$——最直接的办法是把它当作解释变量，对每个资产做一次时序回归。这套做法由 Black、Jensen 和 Scholes 在 1972 年检验 CAPM 时首创：

时序回归隐含的截面直线有一个漂亮的几何特征。以单因子为例：$\beta=0$ 的资产预期收益为 0；把因子组合自己放到截面上，它对自身的暴露是 1、平均收益是 $\bar{\lambda}$。所以这条直线必然穿过 $(0,0)$ 和 $(1,\bar{\lambda})$ 两点——它由这两个点钉死，完全不理会其他资产落在哪里，所有资产的 $\hat{\alpha}_i$ 只是各自到这条线的竖直距离。这是它与截面回归最本质的区别：截面回归的直线是靠最小化所有资产 $\alpha$ 的平方和拟合出来的。

估计完了要检验"$N$ 个 $\alpha_i$ 联合是否为零"。若 $\varepsilon_{i,t}$ 无自相关、无异方差且服从 IID 正态，Gibbons、Ross 和 Shanken（1989）给出了精确的有限样本检验，即大名鼎鼎的 GRS 检验：

GRS 是有限样本下的精确检验（不是大样本近似），且检验效力高，这是它统治学术界三十多年的原因；代价是依赖正态假设，且要求 $T$ 大于 $N+K$。当残差存在相关性或异方差时，可改用 GMM（2.7 节）。至于每个因子的溢价 $\lambda_k$，因子收益率序列已知，直接按 2.1.2 节做 t 检验即可。

两步截面回归

时序回归的前提"因子收益率已知"对宏观经济因子（GDP、CPI、利率）不成立——没法做多 GDP。截面回归（cross-sectional regression）不需要这个前提，它分两步走，故又称两步回归估计（two-pass regression estimate）。

第一步（时序）：用因子的取值序列 $\boldsymbol{f}_t$ 作解释变量，对每个资产估计暴露：

第二步（截面）：把 $N$ 个资产的时序平均收益 $\bar{R}_i^e$ 对 $\hat{\boldsymbol{\beta}}_i$ 做一次截面回归：

标准误方面，Cochrane（2005）在"因子与残差独立、各自 IID"的假设下给出了 $\hat{\boldsymbol{\lambda}}$ 与 $\hat{\boldsymbol{\alpha}}$ 的协方差矩阵（式 2.22–2.23）：

其中 $\boldsymbol{\Sigma}=\Cov(\boldsymbol{\varepsilon}_t)$、$\boldsymbol{\Sigma}_f=\Cov(\boldsymbol{f}_t)$、$\boldsymbol{M} = \boldsymbol{I}_N - \boldsymbol{\beta}(\boldsymbol{\beta}^{\top}\boldsymbol{\beta})^{-1}\boldsymbol{\beta}^{\top}$ 是投影残差矩阵；实际使用时以样本量代替总体量。有了 $\Cov(\hat{\boldsymbol{\alpha}})$ 就可以构建联合检验 $\hat{\boldsymbol{\alpha}}^{\top}\Cov(\hat{\boldsymbol{\alpha}})^{+}\hat{\boldsymbol{\alpha}} \sim \chi^2_{N-K}$（上标 $+$ 表示伪逆——$\Cov(\hat{\boldsymbol{\alpha}})$ 秩亏，自由度也因此是 $N-K$ 而非 $N$）。

截面回归的赠品：纯因子组合

截面 OLS 的解 $\hat{\boldsymbol{\lambda}} = (\boldsymbol{\beta}^{\top}\boldsymbol{\beta})^{-1}\boldsymbol{\beta}^{\top}\bar{\boldsymbol{R}}^e$ 里藏着一个非常重要的副产品。把前面那块矩阵单独拎出来：

时序 vs 截面：同一条直线的两种画法

对风格因子来说两种方法都可用，差异可以浓缩成一张对照：时序回归的截面直线被 $(0,0)$ 和 $(1,\bar{\lambda})$ 两点钉死，因子溢价就是排序组合收益的时序均值；截面回归的直线以最小化全体 $\hat{\alpha}_i^2$ 为目标、同时利用所有资产的信息，因子溢价是纯因子组合的收益。两者给出的 $\hat{\lambda}$ 一般不相等。一个实用技巧：把两种方法同时跑一遍，如果时序回归的直线斜率为正、截面回归的斜率却为负（各资产平均收益与 β 整体呈负相关，只有因子组合自己在高处），说明这个因子"只富了自己、没富截面"，多半有问题，需要进一步排查。

Fama–MacBeth 回归

Fama–MacBeth 还有一个实践上极受欢迎的性质：它不要求 $\hat{\boldsymbol{\beta}}_i$ 全程不变。原文就用滚动窗口估计暴露——第 $t$ 期的截面回归使用截至 $t-1$ 期数据估出的 $\hat{\boldsymbol{\beta}}_{i,t-1}$：

下图展示 Fama–MacBeth 的"手感"：逐期截面回归得到的 $\hat{\lambda}_t$ 是一条剧烈波动的序列（单期几乎没有信息量），检验的对象是它的均值能否从噪声里浮出来——累计均值曲线随 $T$ 增大逐渐稳定到真实溢价附近。

三种回归方法对比

2.3因子暴露和因子收益率

上一节留下一个未深究的环节：Fama–MacBeth 第二步的解释变量 $\hat{\boldsymbol{\beta}}$ 到底应该从哪来？传统答案是"第一步时序回归"，但它是生成回归变量，EIV 问题挥之不去。Fama 和 MacBeth 当年的缓解办法是不用个股、改用按 β 分组的投资组合做资产——个股 β 的估计误差在组合层面互相抵消。此后"用组合做测试资产"成了主流。但 Roll 等人（Jegadeesh et al. 2019）对此不买账：把个股打包成组合是一种降维，会抹掉大量截面特征；若待检验的因子恰好与这些组合正交，检验就永远发现不了它的溢价。他们主张回到个股，并给出两条对付 EIV 的新路：工具变量，以及干脆用公司特征当暴露。

路线一：工具变量

把第 $t$ 期含截距的截面回归写成矩阵形式。令 $\boldsymbol{Z}_t \equiv [\boldsymbol{1}_N,\ \hat{\boldsymbol{\beta}}_t]$（$N\times(K{+}1)$），$\boldsymbol{\zeta}_t \equiv [\gamma_t, \lambda_{1t}, \dots, \lambda_{Kt}]^{\top}$，则式 (2.47) 堆叠为：

路线二：直接用公司特征

更"颠覆"的做法是砍掉第一步时序回归：把公司特征（firm characteristic）标准化后直接当作因子暴露。比如价值因子，不再回归求 β，而是直接用每只股票的 BM（标准化后）作为它对价值因子的暴露。Jegadeesh 等人在美股上做了一场"对决"实验：把时序回归 β 和公司特征同时放进 Fama–MacBeth 回归，结果是只有公司特征作为暴露的因子被定价了——特征暴露的规模、价值因子 t 值高度显著（绝对值约 4），而时序 β 暴露的因子 t 值全线跌破 2。无论用 OLS 还是 IV 估计量，结论都一样。

为什么"β 打不过特征"？两个角度：（1）日频收益噪声大，时序回归估出的 β 本身不稳定，逐期截面回归时它表现得近乎随机变量，难以载住稳定溢价；（2）真实暴露谁也没见过，β 和特征都只是它的代理变量，实证上（含原书作者在 A 股的验证）当期特征比最新的时序 β 更能预测下期收益——特征可能就是更好的代理。深层机制仍是开放问题。

两类模型的对偶

沿着这两条路，学术界把多因子模型分成了两大家族，而它们恰好是一对"对偶"：一个把因子收益率当已知、解β；另一个把暴露当已知、解因子收益率。

那么两类模型谁更能解释预期收益的截面差异？Fama and French（2020）亲自下场回答——结论有点"打脸"自家 27 年的传统：截面模型胜出，其定价误差整体上更接近零；且暴露要用时变的公司特征（把特征在时序上取平均反而变差）。他们还测试了一个"四不像"：用截面回归的因子收益率、再回头做时序回归估 β——效果与传统时序模型相仿、仍不如截面模型。这说明截面模型的优势是"纯因子组合的收益率更干净"与"时变特征是更好的暴露代理"两者缺一不可。本书第 3 章按学术惯例用排序法检验因子，第 4 章则用特征暴露 + Fama–MacBeth 检验，正好让你把两类方法各练一遍。

2.4异象检验

过去三十年，学者们在美股"挖"出了数百个异象。Hou 等人（2020）花大力气复现了 452 个已发表的异象，结果令人尴尬：绝大多数拿不出多因子模型解释不了的显著 α（第 6 章会细说这场"复现危机"）。正因为假异象遍地，检验方法本身才格外重要——本节先讲怎么检验，再讲检验中最容易踩的计量坑：异方差与自相关。

时序回归检验 α

异象组合的构造套路与因子如出一辙：选一个财务或量价指标作异象变量（anomaly variable）→ 排序法构建多空组合、得到异象收益率序列 → 检验这串收益能否被多因子模型解释。近年的趋势是用复合变量（多个指标合成打分）构造异象，如 Asness 等人的质量异象（quality minus junk）、Piotroski 和 So 的预期差异象：金融学含义更强，但变量越多越容易过拟合，这是一体两面。

计量经济学问题：异方差与自相关

暂时跳出多因子模型，看一般的线性回归。经典 OLS 的标准误公式建立在"扰动独立、同方差"之上；金融数据两条都常常不满足。把这两种"病"统一写进模型：

White 估计量与 Newey–West 估计量

估计夹心的原料只有两样：解释变量 $\boldsymbol{X}$ 和 OLS 残差 $\hat{\varepsilon}_t$。只有异方差、没有自相关时，夹心只剩"同期"项，White（1980）给出了渐进相合的估计：

要把自相关也纳进来，直觉上似乎把所有跨期项 $\hat{\varepsilon}_t\hat{\varepsilon}_s \boldsymbol{x}_t\boldsymbol{x}_s^{\top}$ 全加进去就行（式 2.62 的思路）。但这样做是错的：$T^2$ 项求和只除以 $T$，结果可能不收敛；即便收敛，加总出的矩阵也可能不正定——协方差矩阵不正定显然荒谬。Newey 和 West（1987）的解法是截断加权：

$J$ 怎么选？Newey 和 West（1994）给出常用的自动规则（式 2.65）：$J = \big\lfloor 4\,(T/100)^{2/9} \big\rfloor$，其中 $\lfloor\cdot\rfloor$ 为向下取整——月度数据 240 期对应 $J=4$，600 期对应 $J=5$。

检验中最常见的特例是对单一收益率序列的均值做 Newey–West 调整（比如排序法得到的因子收益率 $\{\lambda_t\}$）。技巧是把"求均值"看成一次退化的回归：被解释变量为 $\lambda_t$、解释变量只有常数 1，回归系数恰是样本均值，残差恰是离差：

下图把这件事做成实验：对一条月均 0.5%、波动 3% 的 AR(1) 收益序列（600 个月），拖动自相关系数 $\rho$，对比朴素标准误、Newey–West 标准误和理论真值 $\sqrt{\frac{\sigma^2}{T}\cdot\frac{1+\rho}{1-\rho}}$。$\rho$ 越大，朴素公式错得越离谱；NW 大幅纠偏（高 $\rho$ 时因截断仍略有低估）。

截面回归检验异象

时序回归检验的是"异象组合的收益能否被因子收益解释"；换一个角度，异象存在等价于异象变量能预测下期收益。这就回到了 Fama–MacBeth 的主场：把异象变量和多因子模型的因子变量（即构建因子用的公司特征）一起放进逐期截面回归，个股超额收益作被解释变量。异象变量的逐期回归系数 $\hat{\lambda}_t^{a}$ 串成序列后，检验其均值是否显著——标准误用式 (2.67) 做 NW 调整。若在控制了因子变量后异象变量的溢价仍显著，则认定它是多因子模型解释不了的异象。相比排序法"只能控制一两个变量、且把信息压缩成分组"，截面回归可以同时控制任意多个变量、保留变量的连续取值，这是它检验异象的独特优势。

2.5多因子模型比较

模型都不完美，但有些模型有用——那么两个模型摆在面前，怎么科学地比出高下？记住一条主线："两个目标、两个切入点、多种方法"。两个目标（Barillas–Shanken）：模型能否解释同一组测试资产（test assets）；模型能否解释对方的因子（互相检验）。两个切入点：把 $N$ 个定价误差联合检验（GRS、均值–方差张成），还是逐个检验后汇总（α 检验）。方法本身不挑被解释对象——测试资产和别家因子都能当靶子。

GRS 检验：夏普比率视角

GRS 统计量在 2.2.1 节已给出（式 2.16），照公式算就行，但那串矩阵运算看不出检验的"灵魂"。它还有一个漂亮得多的等价形式：

几何图景：在（波动率, 超额收益）平面上，假设存在无风险利率且可无限借贷，有效前沿是从原点（超额收益坐标下）出发、与风险资产最小方差前沿相切的切线，斜率即切点组合的夏普比率。GRS 画两条切线——只用 $K$ 个因子的、用全部 $N+K$ 个资产的——检验第二条是否显著更陡。它只比切点，不关心前沿的其他部分。

应用示例：Liu、Stambaugh 和 Yuan（2019）用 GRS 让中国版三因子模型与 FF 三因子在 A 股上互相检验——结果中国版三因子能解释 FF 因子，反之不行，故前者更适合 A 股（第 4 章详述）。

均值–方差张成检验

应用示例：Han 等人（2016）提出综合多时间尺度信息的趋势因子后，用张成检验证明短期反转、中期动量、长期反转三个传统因子无法张成它——加入趋势因子后前沿显著外扩，新因子有增量价值。

几何对比：GRS vs 张成检验

α 检验：逐个击破再汇总

联合检验把 $N$ 个 α 捆在一起审；α 检验反其道而行：对每个测试资产单独做时序回归（式 2.50），得到 $\hat{\alpha}_i$ 及其 NW 调整后的 t 值，然后取绝对值的平均——$\mathrm{avg}|\hat{\alpha}_i|$ 和 $\mathrm{avg}|t_i|$——作为模型的"平均定价误差"记分牌。取绝对值是因为只关心偏离零的幅度、不关心方向。两个指标越低，模型越好。它的优点是简单、能定位具体是哪些资产没被解释；缺点是忽略了 α 之间的相关性、没有严格的联合分布。所以实证论文的标准操作是 GRS + α 检验搭配上阵（Hou 等 2015、FF 2020 皆如此），第 4 章的实证也会两个一起用。

贝叶斯方法：换一套哲学

频率派检验问"若 $\boldsymbol{\alpha}=\boldsymbol{0}$，数据有多反常"；贝叶斯方法直接问"给定数据，哪个模型更可能是真的"。Barillas 和 Shanken（2018）把它引入模型比较：对参数 $\boldsymbol{\beta}$、$\boldsymbol{\Sigma}$ 设非正常先验（improper prior），$\boldsymbol{\alpha}$ 在原假设下为零、备择下服从 $N(\boldsymbol{0}, \tau\boldsymbol{\Sigma})$，然后计算各模型的边际似然：

2.6因子正交化

业界构建多因子模型时几乎必做一步"正交化"。动机先讲经济学的：两个因子"正交"意味着它们代表不同的收益驱动力。反例是用市盈率和市净率各造一个价值因子——两个指标高度相关，两个价差组合几乎是同一个组合，模型看着有两个因子，其实只解释了收益里同一块"价值"成分。因子相似与否，体现为资产对它们的暴露在截面上的相关性；正交化就是把这种相关性压掉。

再讲统计的：用 Fama–MacBeth 截面回归求因子收益率时，暴露（解释变量）之间高度相关会让回归系数的标准误爆炸——这就是多重共线性。要理解为什么，得从回归的运行机制看起。考虑一般模型 $\boldsymbol{y}=\boldsymbol{X}\boldsymbol{b}+\boldsymbol{\varepsilon}$，其 OLS 解 $\hat{\boldsymbol{b}}=(\boldsymbol{X}^{\top}\boldsymbol{X})^{-1}\boldsymbol{X}^{\top}\boldsymbol{y}$（式 2.84）里坐着 $\boldsymbol{X}^{\top}\boldsymbol{X}$——解释变量两两之间的内积矩阵。相关性正是从这里渗进每个系数的。

基石：一元回归

回归的几何意义：投影

Gram–Schmidt 正交化与 FWL 定理

既然正交的世界如此美好，那就动手把变量改造成正交的。做法是连续正交化：按任意顺序处理解释变量，每个变量都对"前面已处理好的正交向量"回归，只留残差：

回到因子投资：Fama–MacBeth 截面回归里的 $\hat{b}_K$ 就是因子 $K$ 的收益率。暴露高度相关的两个因子，各自的"独有信息" $\boldsymbol{z}$ 都很短，因子收益率估计都极不稳定。所以业界宁可先动手改造因子：Barra 中国模型中，非线性市值因子就是对市值因子正交化后的残差。顺带一提两个实用细节：（1）不必为每个系数各跑一遍正交化——按一个顺序正交化到底后，可以从 $\hat{b}_K$ 出发倒序递推出全部系数（从 $\boldsymbol{y}$ 中减去 $\hat{b}_K \boldsymbol{x}_K$，则 $\boldsymbol{x}_{K-1}$ 成了"最后一个"，以此类推）；（2）正交化的顺序有经济含义——排在前面的变量保留全部原始信息，排在后面的只剩残差，所以业界惯例是把逻辑上更"根本"的因子（如市值）放前面，让衍生因子对它正交。

2.7广义矩估计

前面的方法各有各的假设：GRS 要正态、截面回归要 IID、Fama–MacBeth 怕时序相关。有没有一个框架，假设最少、什么模型都能检验？有——Hansen（1982）的广义矩估计（Generalized Method of Moments，GMM）。它当年是为检验基于消费的资产定价模型（CCAPM）而生的：CCAPM 里消费与收益率的关系是非线性的，传统回归束手无策；GMM 则完全不挑模型的函数形式。Hansen 因此与 Fama、Shiller 分享了 2013 年诺贝尔经济学奖。Cochrane 说过，学 GMM 最大的障碍只是符号多；把符号拆开，它的数学核心其实就一件事——算样本均值的方差。所以先从这件小事说起。

地基：样本均值的方差

随机变量 $u_t$ 的样本均值 $\bar{u}=\frac{1}{T}\sum_t u_t$ 本身也是随机变量：换一段历史，它就换一个值。它晃动多大？由方差的展开式（式 2.100）：$\Var(\bar{u}) = \frac{1}{T^2}\sum_{t}\sum_{s}\Cov(u_t, u_s)$。若 $u_t$ 独立同分布，交叉项全灭，得到统计课上最著名的结果 $\mathrm{s.e.}(\bar{u})=\sigma/\sqrt{T}$（式 2.102）。金融数据不独立，就要保留自协方差项：

GMM 三部曲

GMM 框架永远分三步：提出模型（写成矩条件）→ 连接数据（样本矩替换总体矩、估参数）→ 检验模型（算方差、做检验）。

有效性与 J 检验

为什么说 GMM 统一了前面的一切

回头看本章走过的路，几乎每个方法都是 GMM 的特例：

这就是"统一"的含义：各方法的差异，不过是矩条件选哪些、$\boldsymbol{S}$ 怎么估、$\boldsymbol{a}$/$\boldsymbol{W}$ 怎么选的差异。想放松哪条假设，就在对应的部件上换零件，不必换整个框架。

不应成为黑箱

Hansen 框架的真正强大之处恰恰是允许你从业务出发选 $\boldsymbol{a}$。原书举的例子：用市场组合、无风险资产、HML、SMB 四个资产检验 CCAPM（$n=4$ 个矩、$p=2$ 个参数）。与其让四个矩加权和稀泥，不如手工指定 $\boldsymbol{a}$：让市场与无风险资产的矩条件精确成立（用它们定参数），把 HML 和 SMB 留作检验——此时 J 检验（自由度 $4-2=2$）问的正是"CCAPM 能否解释价值和规模溢价"这个真正要紧的问题。GMM 是趁手的兵器，不是自动驾驶。

2.8研究方法建议

方法都在手了，最后按研究对象把"学术界惯例套餐"整理成三张清单，第 3～5 章的 A 股实证将严格照此执行：

最后重复两句贯穿全章的提醒：统计显著只是入场券，不是终点——大样本下任何模型都会被拒绝，方法给出的是证据的强度，结论还要靠经济学逻辑撑腰；标准误比点估计更容易骗人——看到 t 值先问三个问题：截面相关处理了吗（FM / GLS），时序相关处理了吗（NW），生成回归变量修正了吗（Shanken / IV）。带着这两句话，就可以进入第 3 章，对主流因子逐一动手实证了。

import numpy as np
rng = np.random.default_rng(0)

N, K, T = 200, 2, 240
beta = rng.uniform(-1, 2, (N, K))            # 真实暴露
lam_true = np.array([0.006, 0.003])          # 真实月度溢价
chol = np.diag([0.04, 0.03])                 # 因子月波动 4%、3%
f = lam_true + rng.standard_normal((T, K)) @ chol.T   # 因子收益率序列
eps = 0.05 * rng.standard_normal((T, N))     # 特质波动 5%
R = f @ beta.T + eps                         # T x N，alpha 恒为 0

import numpy as np
rng = np.random.default_rng(0)
N, K, T = 200, 2, 240
beta = rng.uniform(-1, 2, (N, K))
lam_true = np.array([0.006, 0.003])
chol = np.diag([0.04, 0.03])
f = lam_true + rng.standard_normal((T, K)) @ chol.T
eps = 0.05 * rng.standard_normal((T, N))
R = f @ beta.T + eps

# ---- 第一步：时序回归估计暴露（一次算完全部股票）----
F = np.column_stack([np.ones(T), f])              # T x (K+1)
coef = np.linalg.lstsq(F, R, rcond=None)[0]       # (K+1) x N
beta_hat = coef[1:].T                             # N x K

# ---- 第二步：逐期截面回归（带截距）----
X = np.column_stack([np.ones(N), beta_hat])       # N x (K+1)
lam_t = np.zeros((T, K + 1))
for t in range(T):
    lam_t[t] = np.linalg.lstsq(X, R[t], rcond=None)[0]

# ---- 汇总与检验 ----
lam_hat = lam_t.mean(axis=0)
se = lam_t.std(axis=0, ddof=1) / np.sqrt(T)
t_stat = lam_hat / se
print(f"截距 gamma: {lam_hat[0]:.4%}  t = {t_stat[0]:.2f}   (应不显著)")
for k in range(K):
    print(f"因子{k+1}: lambda = {lam_hat[k+1]:.4%}  se = {se[k+1]:.4%}"
          f"  t = {t_stat[k+1]:.2f}   真值 = {lam_true[k]:.2%}")

import numpy as np

def simulate(rng, T, mu, rho, sig):
    z = rng.standard_normal(T)
    e = np.empty(T)
    e[0] = sig * z[0]
    c = sig * np.sqrt(1 - rho ** 2)      # 保证无条件方差恒为 sig^2
    for t in range(1, T):
        e[t] = rho * e[t - 1] + c * z[t]
    return mu + e

import numpy as np

def simulate(rng, T, mu, rho, sig):
    z = rng.standard_normal(T)
    e = np.empty(T)
    e[0] = sig * z[0]
    c = sig * np.sqrt(1 - rho ** 2)
    for t in range(1, T):
        e[t] = rho * e[t - 1] + c * z[t]
    return mu + e

def nw_se(x):
    T = len(x)
    J = int(np.floor(4 * (T / 100) ** (2 / 9)))
    u = x - x.mean()
    S = u @ u / T                              # gamma_0
    for j in range(1, J + 1):
        gam = u[j:] @ u[:-j] / T
        S += 2 * (1 - j / (J + 1)) * gam       # Bartlett 权重
    return np.sqrt(max(S, 0.0) / T)

rng = np.random.default_rng(1)
T, mu, rho, sig = 600, 0.005, 0.6, 0.04

# ---- (1) 单次对比 ----
x = simulate(rng, T, mu, rho, sig)
se_naive = x.std(ddof=1) / np.sqrt(T)
se_true = np.sqrt(sig ** 2 * (1 + rho) / (1 - rho) / T)
print(f"朴素 se = {se_naive:.5f}  NW se = {nw_se(x):.5f}  理论 = {se_true:.5f}")

# ---- (2) size 实验：真实均值为 0 ----
M, rej_naive, rej_nw = 2000, 0, 0
for m in range(M):
    x = simulate(rng, T, 0.0, rho, sig)
    se_n = x.std(ddof=1) / np.sqrt(T)
    rej_naive += abs(x.mean() / se_n) > 1.96
    rej_nw += abs(x.mean() / nw_se(x)) > 1.96
print(f"朴素检验拒绝率: {rej_naive / M:.1%}   NW 检验拒绝率: {rej_nw / M:.1%}"
      f"   (名义水平 5%)")

import numpy as np
from scipy import stats

rng = np.random.default_rng(2)
N, K, T, M = 10, 3, 240, 1000

def grs_stat(R, F):
    T, N = R.shape
    K = F.shape[1]
    X = np.column_stack([np.ones(T), F])
    B = np.linalg.lstsq(X, R, rcond=None)[0]        # (K+1) x N
    alpha = B[0]                                    # 截距行 = alpha 向量
    resid = R - X @ B
    Sigma = resid.T @ resid / T                     # MLE 残差协方差
    fbar = F.mean(axis=0)
    Fc = F - fbar
    Sf = Fc.T @ Fc / T                              # MLE 因子协方差
    quad = alpha @ np.linalg.solve(Sigma, alpha)
    denom = 1 + fbar @ np.linalg.solve(Sf, fbar)
    return (T - N - K) / N * quad / denom

crit = stats.f.ppf(0.95, N, T - N - K)
# 无 scipy 时的替代：crit = np.quantile(rng.f(N, T - N - K, size=200000), 0.95)
beta = rng.uniform(0, 1.5, (N, K))

def run(alpha_inject):
    rej = 0
    for m in range(M):
        F = 0.004 + 0.03 * rng.standard_normal((T, K))
        eps = 0.02 * rng.standard_normal((T, N))
        R = F @ beta.T + eps
        R[:, 0] += alpha_inject                     # 给资产 1 注入真 alpha
        rej += grs_stat(R, F) > crit
    return rej / M

print(f"size  (alpha=0):      拒绝率 = {run(0.0):.1%}   (理论 5%)")
print(f"power (alpha=0.4%/月): 拒绝率 = {run(0.004):.1%}")