EN中文

刘明杨的肖像照

刘明杨

证件姓名为刘杨（Yang Liu）。刘明杨（Mingyang Liu）是我成年时起用的名字，部分名录仍使用 Yang Liu。

简介

我于 2026 年获帝国理工学院金融学博士学位，今年首次参加学术就业市场。我现任帝国理工学院量化金融卓越中心（Imperial Centre of Excellence in Quantitative Finance）访问研究员，继续推进下文介绍的研究计划。
正在参加 2026–27 学年学术就业市场。

我的研究领域是实证资产定价、机器学习与金融大数据、金融计量。我的论文构成一个完整的研究体系，围绕一个问题展开：每个基于特征的因子模型，在给出任何结论之前，都必须先决定如何度量和比较特征空间中的方向。我把这一度量选择称为“尺子”。尺子本身不增加任何信息，却可能决定模型识别出哪些因子、拟合收益如何在因子与阿尔法之间拆分，以及投资者最终持有什么组合。各篇论文从识别与估计一路追踪尺子的作用，直到投资组合选择；其中《几何框架》把尺子发展为无套利 IPCA（NA-IPCA），并给出其识别理论与统计推断。

五篇论文，每篇单独考察一项建模选择：

  1. 数据相同，因子不同。模型应当用哪把尺子？它能识别出什么？《基于特征的因子模型中识别问题的几何框架》提出 NA-IPCA：它以 IPCA 为特例，并为截距可承载的部分设定上限；在校准模拟中，它能恢复潜在定价子空间，而不含截距的 IPCA 基准则不能。
  2. 拟合相同，拆分不同。拟合完全相同的模型，可以把收益以不同方式归于潜在因子、可观测因子与截距。《因子模型中的特征空间度量》证明决定这一拆分的是尺子，并给出计入尺子本身估计误差的推断方法。
  3. 尺子相同，目标不同。同一模型的等权拟合与市值加权拟合报告的阿尔法不同，是因为因子解释得更多，还是因为需要解释的预期收益估计（目标）变了？《如何解读估计的定价误差》表明，差距主要来自目标的变化，而非因子空间的不同。
  4. 预测相同，组合不同。《预测相同，组合不同》表明，在预测几乎相同、惩罚数值相同的情况下，两种因子标准化下未计交易成本的夏普比率分别为 0.69 和 1.07；并推导出使两个组合重新一致的变换。
  5. 目标相同，持仓不同。求职论文《尺子很重要》表明，更大的特征库可以更好地拟合收益，对熟悉的动量与规模头寸的表示却不如以前充分；在特征目标相同时，尺子还会改变组合的持仓与风险。

一项进行中的研究把这项工作推广到公司债券（与 Paolo Zaffaroni 教授合作）。每篇论文都可独立成篇；合在一起，它们表明尺子是一项在每个环节都有后果的建模选择，从识别、推断到归因与组合构建。

研究

求职论文

The Ruler Matters: Factor Exposures, Attribution, and Portfolio Risk

《尺子很重要：因子暴露、归因与投资组合风险》

工作论文，2026 年 11 月 · 含网络附录共 107 页（英文）

受邀研讨会报告：剑桥大学经济学院，2026 年 11 月 4 日（即将举行）；洛桑联邦理工学院（EPFL），2026 年 6 月 16 日（题为 No-Arbitrage Factor Geometry，内容为本文的前期研究）

六分钟视频讲解（英文，AI 合成旁白，附英文字幕）。开头的 2026 年市场事件仅作引子；论文样本截至 2025 年 11 月。

研究问题。公司特征被广泛用于估计条件因子载荷，更大的特征库可以更好地拟合收益。但拟合更好，并不能说明估计出的载荷代表了哪些股票头寸。这一问题同时关系到研究者（把拟合收益归因于各类因子）和投资者（用载荷控制共同收益风险）。本文为此提供度量和系统的实证证据。

主要贡献
  1. 为因子载荷建立一把尺子。本文以特征的横截面二阶矩（格拉姆矩阵）作为“股票暴露尺子”：比较两个载荷方向，看的是它们在股票上产生的暴露是否重叠，而不是系数向量是否正交；系数正交并不意味着对应的股票暴露正交。这一度量不受潜在因子旋转的影响，因此评估的是估计出的载荷空间本身，而不是任意选定的因子坐标。
  2. 拟合更好，表示更弱。在美国股票数据中，固定因子个数，把工具化主成分分析（IPCA）模型的特征库从 36 个扩充到 153 个，样本内拟合提高，载荷空间对动量与规模头寸的表示却下降：在无约束截距设定下，动量的平均覆盖率由 82.27% 降至 62.33%，大公司规模由 90.17% 降至 71.93%。
  3. 拟合无法识别归因。对一个大公司规模头寸，重新分配可观测因子与潜在因子共享的暴露，可把归于可观测因子的贡献从每月 1.38 个基点提高到 45.53 个基点，而两者合计的拟合贡献始终为每月 2.16 个基点。
  4. 尺子改变组合风险。系数固定、特征目标相同时，以当月横截面、而非每年 3 月估计起点的横截面作为衡量暴露的尺子，在十二项探索性的正向目标比较中，组合随后的估计收益方差全部更低，低 26.62% 至 69.39%；其中九项的同时 95% 置信区间不含零。

与已有文献的关系。IPCA 与收益预测的机器学习模型（Kelly, Pruitt and Su, 2019; Gu, Kelly and Xiu, 2020）主要以拟合评价；本文追问估计出的载荷在股票层面代表什么，并表明动量覆盖率的下降是实证结果，而非增加变量带来的机械稀释。关于潜在因子下定价误差的研究（Choi and Yuan, 2026）关注阿尔法；本文度量在拟合收益不变时，共享暴露如何改变归因。关于对冲共同风险的特征组合的研究（Daniel, Mota, Rottke and Santos, 2020）依据收益协方差选择对冲；本文固定特征目标，表明暴露参照决定由哪些股票来实现它。本文并未提出新的估计量，而是表明：评价因子模型，除了收益拟合，还应看它所代表的经济暴露，以及这些暴露所支持的投资组合决策。

论文图 3：特征库扩充时，常见特征头寸的表示份额。三个面板分别为账面市值比、动量和规模（大公司为正），横轴为 2007–2025 年各年 3 月的估计起点，纵轴为特征头寸的表示份额（0–100%）。每个面板中，36 个特征模型（无约束截距或零截距）的两条实线都位于 153 个特征模型的两条虚线之上。无约束截距下，36 个与 153 个特征模型的平均表示份额分别为：账面市值比 55.05% 和 44.77%，动量 82.27% 和 62.33%，规模 90.17% 和 71.93%。
图 3（第 24 页），论文原图。每个模型含 Fama–French 五因子加动量因子，以及三个潜在因子；每年 3 月用此前 240 个月的数据重新估计（2007–2025 年，共 19 个估计起点）；两个特征库都用特征尺子的同一个训练期平均版本衡量。表示份额指某一固定股票特征头寸中，能由模型载荷空间复现的比例（100% 表示完全复现）；它既不是收益风险的份额，也不是风险溢价。 · 查看原尺寸图片 这说明什么。因子个数固定时，153 个特征的模型对每一种常见头寸的表示份额，都低于 36 个特征的模型。无约束截距下，动量头寸的平均表示份额从 82.27% 降至 62.33%，大公司规模头寸从 90.17% 降至 71.93%（第 22 页）。

工作论文

Same Forecasts, Different Portfolios: Factor Normalization and Regularization

《预测相同，组合不同：因子标准化与正则化》

工作论文，2026 年 10 月 · 含网络附录共 116 页（英文）

两个分别估计的 IPCA 设定只在载荷的标准化方式上不同（欧氏度量或格拉姆度量），预测几乎相同；但在同一个因子协方差惩罚数值下，两者组合未计交易成本的夏普比率分别为 0.69 和 1.07。本文推导出一种惩罚换算方式，使组合持仓在等价的模型表示之间保持不变；按此换算后，两个组合随之一致（第 3 页）。

Characteristic-Space Metrics in Factor Models: Identification and Inference

《因子模型中的特征空间度量：识别与推断》

SSRN 预印本，2026 年 9 月

两个因子模型可以给每只股票相同的拟合收益，却把它以不同方式归于潜在因子、可观测因子与截距；本文表明，决定这一拆分的是特征空间上选用的度量（内积），即“尺子”这一衡量约定；本文还给出计入度量本身估计误差的置信区间。

表 II 节选（论文第 34 页）：标准误校准与 95% 覆盖率，T = 960 一列，2,000 个模拟面板。把度量当作已知时，SE/SD 为 0.838 和 0.891，覆盖率为 89.05% 和 91.75%（中等敏感度与高敏感度两个报告指标）；完整得分 HAC 下，SE/SD 为 0.996 和 1.016，覆盖率为 94.25% 和 94.85%。节选还列出蒙特卡洛尺度、oracle 影响函数 HAC，以及不含交叉项的版本。
表 II（第 34 页）节选：T = 960 个月。2,000 个模拟面板，每个含 12 个特征和 100 只股票；名义覆盖率 95%。“度量”（metric）是论文对尺子的称呼。 · 查看完整表格 这说明什么。在一个专为分离这一机制而设计的简化模拟中，把估计出的度量（尺子）当作已知，会低估标准误：T = 960 个月时，两个所报告指标的置信区间本应 100 次中有 95 次包含真值，实际包含真值的比例只有 89.05% 和 91.75%。计入度量本身的估计误差（完整得分 HAC，即异方差与自相关稳健的标准误）后，覆盖率升至 94.25% 和 94.85%。

框架论文：A Geometric Framework for Identification in Characteristic-Based Factor Models（《基于特征的因子模型中识别问题的几何框架》；SSRN 预印本，2026 年 3 月，提出 NA-IPCA，其推断理论在本文中进一步深化；PDF、SSRN）

Interpreting Estimated Pricing Errors: Evidence from Characteristic-Based Return Forecasts

《如何解读估计的定价误差：来自基于特征的收益预测的证据》

工作论文，2026 年 9 月

本文在同一批美国股票上，把每个模型的预期收益估计与每个模型的因子交叉搭配，发现等权训练与市值加权训练之间的阿尔法差距，主要反映预期收益估计的不同，而历史残差诊断对预测选择帮助有限（探索性证据）。

表 1（论文第 13 页）：拟合均值与因子空间交叉搭配，单位为每月残差基点。A 栏（等权个股衡量）：等权个股训练的空间，对等权个股与市值加权两个拟合均值分别为 117.37 和 75.02；市值加权训练的空间为 116.67 和 77.27。B 栏（市值加权衡量）：93.75 和 63.12；92.49 和 63.52。
表 1（第 13 页）。每个单元格：列所示拟合均值中，行所示载荷空间无法表示的部分，单位为每月基点。等权个股训练即等权模型；市值加权训练即市值加权模型。 · 查看原尺寸图片 这说明什么。固定等权个股训练所得的均值、只换载荷空间，残差几乎不动（A 栏：从 117.37 个基点到 116.67 个基点）；改换均值，残差则变为 75.02 个基点。因此，两个模型之间的阿尔法差距主要反映被解释的预期收益估计变了，而不是因子空间变了；但这并不能说明哪个估计更接近未知的真实预期收益。

进行中的研究

Exposure or Intercept? Identifying Corporate Bond Premia with No-Arbitrage IPCA

《因子暴露还是截距？基于无套利 IPCA 的公司债券预期收益识别》

与 Paolo Zaffaroni 合著 · 撰写中

本文基于公开的 TRACE 数据，用无套利 IPCA（NA-IPCA）研究公司债券特征对收益的预测力来自因子暴露，还是来自因子未能解释的截距，以及这一划分有多少取决于尺子（度量）的选择和截距上限。

研究软件

NA-IPCA 工具包

支撑《预测相同，组合不同》滚动估计的 Python 工具包：估计 IPCA、QZ-IPCA 与 NA-IPCA，并附度量诊断，已用于 618 个逐月滚动估计窗口；每次估计均保存完整运行记录，并与独立的 MATLAB 参考实现交叉验证。学术用户可索取。

五篇论文如何衔接，并附交互图表：mingyangliu.org 上的研究主线

教学与指导

金融统计（Financial Statistics），研究生助教

2023、2024

风险管理与金融工程硕士项目（MSc Risk Management & Financial Engineering），帝国理工学院商学院

学生评教 4.8 分（满分 5 分），两年均获学生提名卓越教学奖（Excellence in Teaching Award）。我为该课程编写了 96 页的教学讲义，仅供学术使用。

帝国理工学院学生投资基金：学生金融实验室

2024.05–至今

帝国理工学院学生投资基金（Imperial Student Investment Fund），帝国理工学院商学院 · 顾问；曾任执行委员会暨顾问委员会主席

学生投资基金是一个面向学生的金融实验室：学生在这里把课堂上学到的金融知识运用到真实市场中。我与金融系主任合作，协助把基金发展为教学实验室，并协助搭建其 Python 研究平台；学生在平台上使用伦敦证券交易所集团（LSEG）数据库中真实的交易级市场数据开展研究。

作为导师，我指导学生把课程中的理论知识转化为投资决策，并带领基金学生团队参加 2026 年 QRT 量化竞赛（模拟交易竞赛）：四支队伍进入决赛，两支分获第二、三名。

我组织并协调实验室与 Qube Research & Technologies（QRT）及 LSEG 的教学活动，包括 QRT 的交易与风险管理培训课程，以及基于 LSEG Workspace 的组合优化培训。

教育背景

金融学博士（PhD in Finance）

2019–2026

帝国理工学院商学院

导师：Paolo Zaffaroni 教授（主导师）、Pasquale Della Corte 教授

博士学位论文：No-Arbitrage IPCA: A Framework for Cross-Sectional Asset Pricing（《无套利 IPCA：横截面资产定价框架》），全文备索。

金融系博士项目，含金融学研究型硕士（MRes in Finance，2020 年，Distinction）；2026 年 8 月获授博士学位 · 全额博士奖学金

经济学硕士（M.A. in Economics）

2017–2019

哥伦比亚大学

硕士学位论文：Diffusion Index Forecasting: A Robust Estimator for Common Shock（《扩散指数预测：一种针对共同冲击的稳健估计量》）；导师：白聚山（Jushan Bai）教授

理学学士（B.S.），经济学与数学双专业

2014–2017

密歇根大学安娜堡分校

两个完整专业：经济学；数学（金融数学与风险管理方向）· University Honors（学业荣誉）

研究经历

访问研究员

2026.06–至今

量化金融卓越中心（Imperial Centre of Excellence in Quantitative Finance），帝国理工学院商学院金融系

合作导师：Robert Kosowski 教授，中心联席主任

访问期研究计划：面向横截面资产定价与投资组合选择的经济约束型机器学习。

研究助理（宏观预测）

2018.05–2019.05

哥伦比亚大学经济系

构建扩散指数与因子模型，从大规模混频宏观数据中提取通胀与利率的共同因子；用稳健主成分分析处理缺失值、数据修订、异常值与结构突变。

研究助理（衍生品定价）

2016.06–2017.01

密歇根大学数学系

以 Lihir Gold Limited 首次公开发行（IPO）为案例，用二叉树模型对一座金矿做实物期权估值。

推荐人

Paolo Zaffaroni 教授

帝国理工学院商学院金融系

博士主导师 · p.zaffaroni@imperial.ac.uk

Pasquale Della Corte 教授

帝国理工学院商学院金融系

博士导师 · p.dellacorte@imperial.ac.uk

Robert Kosowski 教授

帝国理工学院商学院金融系；帝国理工学院量化金融卓越中心联席主任

访问研究员合作导师 · r.kosowski@imperial.ac.uk

联系方式

邮箱
yang.liu19@imperial.ac.uk
学术简历
中文版（PDF） · 英文版（PDF）
帝国理工个人主页
profiles.imperial.ac.uk/yang.liu19
LinkedIn（领英）
linkedin.com/in/mingyang-buweinan
ORCID
0009-0008-5418-2563
其他署名
Yang Liu（SSRN 名录）
完整研究网站
mingyangliu.org

求职联系人（Placement contacts）

Savitar Sundaresan 副教授

金融学副教授（Associate Professor of Finance），帝国理工学院商学院

求职事务教师联系人（Faculty placement contact） · s.sundaresan@imperial.ac.uk · +44 20 7594 6449

Kim Hart 女士

系务运营协调员（Departmental Operations Coordinator），帝国理工学院商学院

求职事务行政联系人（Placement administrator；分发简历、协助递交推荐信） · k.hart@imperial.ac.uk

每篇论文的交互图表、图表背后的数据文件，以及 NA-IPCA 工具包的说明（代码可索取），均见 mingyangliu.org。另见学术简历（PDF）与数据与代码。