palette = ({
naipca_iab: "#18557f", complete: "#18557f",
qz_ipca: "#8a6a1a",
ipca: "#6f9cc0", rp_pca: "#7a7a7a", ff5: "#b3b3b3",
naipca_beta_only: "#8a8378", beta_only: "#8a8378",
band: "rgba(0,0,0,0.06)", muted: "rgba(0,0,0,0.6)", rule: "rgba(0,0,0,0.1)"
})
LANG = (document.documentElement.lang || "en").startsWith("zh") ? "zh" : "en"
STR = ({ en: { view: "View", cost: "Cost (bp per traded dollar)", universe: "Universe", sample: "Sample (months)", log: "Log scale", models: "Models", statistic: "Statistic", theme: "Theme", sort: "Sort by", method: "Method", scenario: "Scenario", block: "Block (months)", metric: "Metric", intervals: "Intervals", cost_bp: "One-way cost (bp)", failed: "Interactive data failed to load. The static figure is shown instead." },
zh: { view: "视图", cost: "成本（每交易一美元，基点）", universe: "股票池", sample: "样本（月）", log: "对数坐标", models: "模型", statistic: "统计量", theme: "主题", sort: "排序", method: "方法", scenario: "情景", block: "块长（月）", metric: "指标", intervals: "区间", cost_bp: "单边成本（基点）", failed: "交互数据加载失败，改为显示静态图。" } })
t = (k) => STR[LANG][k] ?? STR.en[k] ?? k
fmt2 = (x) => (x == null || Number.isNaN(x)) ? "n/a" : x.toFixed(2)
fmt1 = (x) => (x == null || Number.isNaN(x)) ? "n/a" : x.toFixed(1)
fmtBp = (x) => (x == null || Number.isNaN(x)) ? "> 500" : `${Math.round(x)} bp`
parseMonth = (s) => new Date(`${s}-01T00:00:00Z`)
// Sharpe, annualised, sample std (ddof = 1): matches the release convention
sharpe = (r) => {
const n = r.length, m = r.reduce((a, b) => a + b, 0) / n
const v = r.reduce((a, b) => a + (b - m) ** 2, 0) / (n - 1)
const vol = Math.sqrt(v) * Math.sqrt(12)
return vol > 1e-12 ? (m * 12) / vol : NaN
}
netSeries = (r, to, bp) => r.map((x, i) => x - to[i] * bp / 1e4)
wealthPath = (r) => { let w = 1; return r.map((x) => (w *= 1 + x)) }
nberMarks = (nber) => Plot.rectX(nber, { x1: (d) => parseMonth(d.start), x2: (d) => parseMonth(d.end), fill: palette.band })基于特征的因子模型中识别问题的几何框架
A Geometric Framework for Identification in Characteristic-Based Factor Models
因子模型该用哪把尺子，来判断两个特征方向是否不同？
SSRN 预印本，2026 年 3 月（初步版本）· DOI 10.2139/ssrn.7013178（SSRN 署名为 Yang Liu）· 《特征空间度量》的早期版本，覆盖范围更宽 · 源自博士论文
投资者往往用几十个特征来描述一只股票，其中许多彼此近乎重复。模型要说清哪些特征组合获得风险补偿，先得判断两个特征组合是否真的不同，而做这个判断需要一把尺子。本文从数据中估计这把尺子，称为特征尺子（格拉姆度量）：它记录特征在股票之间如何分散、又如何彼此重叠。本文以特征尺子为基础重建工具化主成分分析（IPCA），得到无套利 IPCA（NA-IPCA）。检验采用按美国股票校准的模拟，真实定价方向按设计落在特征变动最大的那些方向上。估计方向与真实方向的差距用子空间距离衡量：0 表示完全找回，约 1.73 表示方向完全错误。NA-IPCA 的距离为 0.01，几乎完全找回了这些方向；不含截距块（即不为因子未能解释的预期收益留位置）的 IPCA 基准则为 0.73（表 8，第 38 页）。模拟收益中含有截距成分，而这一基准没有截距块，所以两者的比较没有把尺子的作用单独分离出来。
1 研究问题
在整个研究主线中，本文回答的是第一个问题：用哪把尺子？下一篇《特征空间度量》接着问：尺子选定之后，它究竟决定了什么？又能决定得多精确？
公司特征彼此重叠、离散程度又各不相同。哪些特征方向才是真正不同、且获得风险补偿的来源，哪些只是近似重复或剩余部分？
要说清一只股票的预期收益中各个驱动因素分别解释了多少，模型得先判断两个特征组合是否真的不同、各自有多大。做这个判断的规则，就是尺子。给每个特征一个权重再相加，每只股票就得到一个分数；这样的加权组合称为特征方向（它不是投资组合）。普通尺子（欧氏度量，即单位矩阵度量）只看方向的权重本身；特征尺子（格拉姆度量）则看这个方向给真实股票打出的分数：分数通常有多大，两个方向的分数在股票之间是否同高同低。
所以，尺子就是模型用来衡量一个特征方向有多大、两个特征方向重叠多少的规则。两个价值信号若总是选中同一批便宜的股票，特征尺子会把它们算作重叠，普通尺子却把它们当作互不相关。
常用的标准方法，如主成分分析（PCA）、IPCA (Kelly 等 2019) 以及许多用机器学习估计随机贴现因子的方法，都默认每个特征尺度相同、彼此无关，也就是用普通尺子（单位矩阵度量）（第 1.1 节，第 2 页）。其中，IPCA 以特征作为工具变量，决定每只股票在共同驱动因素上的载荷（贝塔）。
模型分三块：潜在因子（模型从数据中推断的共同驱动因素）、市场等可观测因子，以及截距。截距是本模型中没有被任何因子解释的那部分预期收益（与首页所说的“阿尔法”相近，但阿尔法是相对于某个指定基准模型而言的）。
一句话回答。 用特征尺子（格拉姆度量）来衡量：这把尺子取自特征在股票之间的离散与重叠。在按美国股票校准、真实定价方向按设计落在特征变动最大的那些方向上的模拟中，基于它的估计量 NA-IPCA 找回了这些方向，不含截距块的 IPCA 基准则没有。
2 为什么重要
尺子决定了什么算“不同”。用普通尺子（单位矩阵度量），模型可能把一个定价方向拆成两个因子，让潜在因子复制模型中已有的可观测基准因子，或把定价内容推给截距（第 1.1 节，第 2–3 页）。
- 实务含义。 本文认为，特征尺子能防止潜在因子沦为基准组合的翻版。这样，投资组合经理等使用者就能更清楚地分辨三样东西：被定价的结构、基准因子暴露（暴露即股票在某个特征方向上的得分，或随某个因子变动的强弱）与残余噪声（第 1.4–1.5 节，第 5–6 页）。这一点来自论证和模拟，并未在实盘组合上得到检验。
- 统计含义。 拟合好不等于结构对：在论文的度量扫描中（见下文表 1），IPCA 的样本内 R² 高于 NA-IPCA，却没有找回真实方向（表 9，第 42 页）。
3 论证脉络
- 问题。 股票由几十个特征刻画，其中许多只是少数几种特质的不同版本（第 6.2 节，第 28 页）。→ 研究问题
- 动机。 正因为特征彼此重叠，PCA 和 IPCA 所用的普通尺子（单位矩阵度量）会误判哪些特征组合真正不同（第 1.1 节，第 2 页）。→ 为什么重要
- 框架。 从数据中估计特征尺子（格拉姆度量 Q_Z），并在这把尺子下写出模型的全部约束，包括把三块分开的识别约束，以及截距可承载多少的上限，由此得到 NA-IPCA。→ 理论框架
- 机制。 在普通尺子下正交（看似互不相关）的两个方向，在特征尺子下可能彼此重叠；所以在特征尺子下对各块做正交化，同一部分就不会被重复计算。→ 一个简单例子
- 证据。 美国股票的特征尺子高度不均匀。在主模拟中，NA-IPCA 找回了定价方向，不含截距块的 IPCA 基准则没有；由于这一基准缺少截距块，这一比较没有把尺子的作用单独分离出来。在压力测试设计中，IPCA 也接近真实方向（相距 0.01–0.06，表 17–19）。在度量扫描（见下文表 1）和相关性扫描中则不然：后者让特征从彼此无关逐步接近美国数据的相关结构（表 10，第 43 页），IPCA 与真值的距离都在 0.73–0.99 之间。→ 研究设计与主要结果
- 贡献。 尺子成为模型经济含义的一部分，需要明确写出、从数据估计。→ 与既有文献的比较
- 边界。 本文没有在真实收益或组合上检验 NA-IPCA，真实数据的应用留给另一项研究（第 50–51 页）。→ 适用范围
4 理论框架
设 Z_t 为第 t 月 N_t 只股票的 L 个特征。特征尺子（格拉姆度量），就是特征横截面二阶矩矩阵的长期平均，刻画特征在股票之间的离散与共同变动（第 2 节，第 6 页）：
Q_Z = \frac{1}{T}\sum_{t=1}^{T} \frac{1}{N_t} Z_t^{\top} Z_t .
用这把尺子量，权重为 a 的方向大小（范数）为 (a^{\top} Q_Z a)^{1/2}，大致反映它给各只股票打出的分数高低相差多大。普通尺子则把 Q_Z 换成单位矩阵。
条件预期超额收益分为三块（第 2 节，第 7 页）：
\mathbb{E}_t\!\left[r_{t+1}\right] = Z_t\left(\Gamma_\beta f_t + \Gamma_\delta F^{\text{obs}}_t + \Gamma_\alpha\right).
\Gamma_\beta 是潜在因子 f_t 的载荷矩阵（载荷即股票随某个因子变动的强弱），\Gamma_\delta 是可观测因子（如可交易的基准因子）的载荷矩阵，\Gamma_\alpha 是由特征构成的截距（表 1，第 7 页）。本文的估计量无套利 IPCA（NA-IPCA）用 Q_Z 写出三块的全部规则，并为截距可承载的预期收益设上限。名称中的“无套利”即指这一上限：上限越紧，模型越接近严格无套利（第 2 节，第 8 页）。换成普通尺子、截距上限始终不起作用（约束松弛）时，NA-IPCA 退化为 IPCA（第 22 页）。
供专业读者：约束、估计量与推断
在 Q_Z 下，潜在因子载荷标准正交（\Gamma_\beta^{\top} Q_Z \Gamma_\beta = I）；可观测因子块与截距块都与潜在子空间 Q_Z-正交；截距的大小受上限约束，\psi(\Gamma_\alpha) = \Gamma_\alpha^{\top} Q_Z \Gamma_\alpha \le \delta（第 2 节，第 7–8 页）。NA-IPCA 就是在这一约束集上求解的加权最小二乘估计（命题 3.1，第 14 页）；本文还给出了已识别子空间的旋转不变渐近推断（第 4 节，第 17 页起）。
5 一个简单例子
设有两个特征 A 与 B，比如两种价值指标，它们在股票之间的相关系数为 ρ。定价方向对二者的权重相同。假设模型把 A 放进一块、把 B 放进另一块。用普通尺子（单位矩阵度量）量，A 与 B 正交、看似互不相关，于是两块都把共同的部分算作自己的。
试一试。（1）把 ρ 调到 0，两种分块合计都是 100%。（2）把 ρ 调到 0.9，用普通尺子分块，两块合计声称解释 190%。请注意：用特征尺子分块时，合计始终为 100%，因为 B 块对 A 块做了正交化，只保留 A 块未能解释的部分，重叠部分只算一次。
图 1：两个相关特征下的两把尺子。示意数字，并非论文数据。
怎么读。左图：金色箭头是 A、B 两个方向的权重，深色箭头是定价方向。大小为 1 的方向，用普通尺子量落在虚线圆上，用特征尺子量落在蓝色椭圆 a^{\top} Q a = 1 上（Q 的对角元为 1、非对角元为 ρ）。右图：两行都用特征尺子计分（方向只经由股票得分影响收益），显示各块解释的定价方向占比：A 或 B 单独解释 (1+\rho)/2，剔除与 A 重叠的部分后，B 解释 (1-\rho)/2。示例中的 ρ 是两个特征之间的相关系数，不是论文相关性扫描中的权重 ρ（表 10，第 43 页）。来源：基于论文定义（第 2 节；图 3，第 34 页）的示意计算，无数据文件。
6 研究设计与主要结果
论文先在 Kelly 等 (2019) 的复现数据上估计特征尺子：37 个特征（含常数项）、12,813 家公司，样本期为 1964 年 7 月至 2014 年 5 月（第 6.1 节，第 27 页；表 2，第 28 页）。随后模拟 1,000 只股票、240 个月的面板，进行 300 次蒙特卡洛重复，特征按这把尺子生成。按设计，三个潜在因子放在特征变动最大的方向上，两个可观测因子刻意设弱，收益中还含有一个非零截距成分（第 7.1 节，第 34–36 页；表 7，第 36 页）。在同一组模拟数据上，比较三个估计量：NA-IPCA、不含截距块的 IPCA 基准与 PCA（第 7.2 节，第 36 页）。
图 2：特征尺子高度不均匀。Q_Z 最大的 15 个特征值（主方向）各自在总离散度（Q_Z 的迹）中所占的比例。
这说明什么。 37 列中有一列是常数（表 6，第 32 页）。这一列在 Q_Z 中的对角元为 1，它在全部对角元之和（即迹）4.01 中所占的份额，与 Q_Z 最大特征值（eigenvalue）所占的份额相当（表 7，第 36 页）；所以，约占 25% 的第一根柱，基本上就是这个常数。不均匀体现在其余部分：若其余 36 个特征彼此无关、离散程度相同（普通尺子正是这样假定的），每个方向约占 2%；实际上，接下来的四个方向合计就占约 37%（表 5，第 30 页）。这描述的是特征如何重叠，而不是哪些方向被定价。
图 3：在主模拟设计中，NA-IPCA 找到了真实的潜在子空间，不含截距块的 IPCA 与 PCA 则没有。估计的因子方向（即“子空间”）与真实方向之间的子空间距离。
怎么读。左图（Latent span）为潜在因子方向，右图（Observable span）为可观测因子方向。距离 \lVert \sin\Theta \rVert_F 在完全找回时为 0，方向完全错误时达到最大值：三个潜在因子方向为 \sqrt{3} \approx 1.73，两个可观测因子方向为 \sqrt{2} \approx 1.41（脚注 10，第 39 页）。在可观测因子块上排序反转：IPCA 0.23，NA-IPCA 1.40，接近最大值，即 NA-IPCA 没有找回可观测方向。PCA 没有可观测因子块，所以右图中 PCA 一栏空缺，表示无定义，而不是 0。本文认为这源于设计：可观测因子刻意设得很弱（第 7.2 节，第 37 页）。来源：SSRN 预印本，2026 年 3 月，图 4，第 39 页；表 8，第 38 页（转载自论文）。 论文原页
这说明什么。 距离尺度为 0 到约 1.73。真实定价方向按设计落在特征变动最大的方向上时，NA-IPCA 估出的潜在因子方向与真值相距 0.011；不含截距块的 IPCA 基准相距 0.73，PCA 为 0.99（表 8，第 38 页）。以重叠度衡量（0 表示两块完全分开），IPCA 基准的潜在因子块与可观测因子块重叠 0.069；NA-IPCA 按构造把两块分开，仅为 0.0005。简单例子中的重复计算，在这里以较轻的形式出现。
表 1：只改变特征的分布（论文的度量扫描）。真实载荷与因子保持不变，特征采用四种抽样方式；数值为 300 次蒙特卡洛重复的均值（表 9，第 42 页）。
| 特征几何 | 潜在距离 IPCA |
潜在距离 NA‑IPCA |
重叠度 IPCA |
重叠度 NA‑IPCA |
样本内 R² IPCA |
样本内 R² NA‑IPCA |
|---|---|---|---|---|---|---|
| 经验 Q_Z | 0.7325 | 0.0112 | 0.0663 | 0.0005 | 0.9588 | 0.5827 |
| 单位矩阵 | 0.9843 | 0.0075 | 0.0463 | 0.0008 | 0.9449 | 0.1601 |
| Q_Z，特征向量置换 | 0.9907 | 0.0387 | 0.0401 | 0.0017 | 0.9885 | −0.0735 |
| Q_Z，特征值拉平 | 0.9831 | 0.0073 | 0.0466 | 0.0008 | 0.9453 | 0.1579 |
潜在距离：潜在因子方向的 \lVert \sin\Theta_\beta \rVert_F，取值 0 至约 1.73。重叠度：在 Q_Z 下潜在因子块与可观测因子块的重叠。R²：收益的样本内面板 R²。此处“特征值”“特征向量”指矩阵 Q_Z 的 eigenvalue 与 eigenvector，与公司特征无关。来源：SSRN 预印本，2026 年 3 月，表 9，第 42 页。
这说明什么。 每一行的真实方向都按设计落在美国数据中特征变动最大的方向上（第 7.3 节，第 38 页）。IPCA 基准与真值的距离始终在 0.73–0.99 之间；NA-IPCA 都不超过 0.04。在“单位矩阵”和“特征值拉平”两行中，特征按彼此无关、离散程度相同的方式抽取，所以特征尺子（格拉姆度量）与普通尺子（单位矩阵度量）只差一个常数倍（脚注 9，第 38–39 页）。即便如此，IPCA 基准与 NA-IPCA 离真值的远近依然相差同样大；可见这一差距并非来自特征分布的不均匀。IPCA 在每一行的样本内 R² 仍然更高，为 0.94–0.99，NA-IPCA 最高只有 0.58（表 9，第 42 页）。在论文的压力测试设计中，截距成分的大小约为 0.05，主模拟则为 0.50。在这些设计中，IPCA 接近真实方向，相距 0.01–0.06（表 17–19，第 63–64 页）。
7 与既有文献的比较
下表列出最接近的参照（第 1.2 节，第 3–4 页）。
| 既有研究 | 已确立的结论 | 本文的推进 |
|---|---|---|
| 近似因子模型 (Bai and Ng 2002) | 在弱相关条件下，确定大面板中公因子的个数 | 在因子个数给定之后，追问哪些方向被定价，并用估计出的尺子来衡量 |
| IPCA (Kelly 等 2019) | 以特征作为工具变量，刻画随时间变化的贝塔（β）；模型可包含截距与可观测因子，并检验二者是否为零 | 在特征尺子（格拉姆度量）下设定模型的标准化与分块，并为截距可承载的内容设上限 |
| 风险溢价主成分分析（RP-PCA）(Lettau and Pelger 2020) | 在 PCA 中加入定价误差惩罚，使因子同时拟合平均收益 | 借助尺子与截距上限，直接限定哪些模型可以接受，以此施加定价约束 |
| 收缩横截面 (Kozak 等 2020) | 以先验收缩随机贴现因子在特征投资组合上的系数，对低方差主成分收缩最强 | 不把特征尺子用作惩罚项，而是用它设定模型的尺度、把各块分开 |
模拟中的弱可观测因子借鉴了弱因子与伪因子方面的研究 (Bryzgalova 2015; Kozak 等 2018)（第 32 页）；截距上限则与波动率界 (Hansen and Jagannathan 1991) 相关（第 10 页）。
许多既有研究先用固定的尺子提取因子，再在此基础上施加定价约束（第 1.2 节，第 4 页）；本文则把尺子本身当作需要估计的对象。所依据的工具早已为人所知；本文的新意在于，以这把估计出来的尺子为基础，构建估计量并给出推断。
在研究主线的各篇论文中，本文最早提出贯穿始终的想法：尺子从数据中取得，模型的各项约束都在这把尺子下设定。《特征空间度量》把尺子的作用讲得更精确：尺子决定拆分，不决定拟合；尺子本身的估计误差也应计入标准误。《解读定价误差》固定尺子，公平地解读阿尔法。《预测相同，组合不同》在 NA-IPCA 处引用本文（脚注 3，第 10 页），并表明即使预测几乎不变，尺子的单位也能改变组合；《尺子很重要》直接在股票上计量这把尺子，追问模型的因子代表了哪些头寸，以及对冲这些头寸需要什么。
8 适用范围
- 本文没有在真实收益或组合上检验 NA-IPCA。在模拟中，NA-IPCA 与 IPCA 的样本外收益 R² 相同（表 19，第 64 页）；在美国股票上做完整的样本外应用，留待另一项研究（第 8 节，第 50–51 页）。
- 模拟中，真实定价方向按设计落在特征变动最大的方向上；模拟收益含有截距成分，IPCA 基准却没有截距块（第 7.1–7.2 节，第 34–36 页）。因此，这一比较没有把尺子的作用单独分离出来，也不能说明真实市场遵循哪把尺子。
- 特征尺子（格拉姆度量 Q_Z）是根据单一样本（1964 至 2014 年）估计的；若特征分布发生变化，应重新估计尺子（第 8 节，第 50 页）。
- 截距是因子未能解释、且设有上限的那部分预期收益，并非实测的错误定价。
- 大样本理论只在文中列明的条件下成立。本文的效率结论是局部的：在满足本文约束的估计量中，NA-IPCA 达到效率界（efficiency bound）（第 4.3 节，第 19 页）；本文并未声称 NA-IPCA 在一般意义上是最优的估计量。
参考文献
Bai, Jushan, and Serena Ng. 2002. “Determining the Number of Factors in Approximate Factor Models.” Econometrica 70 (1): 191–221. https://doi.org/10.1111/1468-0262.00273.
Bryzgalova, Svetlana. 2015. “Spurious Factors in Linear Asset Pricing Models.” Working paper. https://sabryzgalova.com/research/.
Hansen, Lars Peter, and Ravi Jagannathan. 1991. “Implications of Security Market Data for Models of Dynamic Economies.” Journal of Political Economy 99 (2): 225–62. https://doi.org/10.1086/261749.
Kelly, Bryan T., Seth Pruitt, and Yinan Su. 2019. “Characteristics Are Covariances: A Unified Model of Risk and Return.” Journal of Financial Economics 134 (3): 501–24. https://doi.org/10.1016/j.jfineco.2019.05.001.
Kozak, Serhiy, Stefan Nagel, and Shrihari Santosh. 2018. “Interpreting Factor Models.” Journal of Finance 73 (3): 1183–223. https://doi.org/10.1111/jofi.12612.
Kozak, Serhiy, Stefan Nagel, and Shrihari Santosh. 2020. “Shrinking the Cross-Section.” Journal of Financial Economics 135 (2): 271–92. https://doi.org/10.1016/j.jfineco.2019.06.008.
Lettau, Martin, and Markus Pelger. 2020. “Factors That Fit the Time Series and Cross-Section of Stock Returns.” Review of Financial Studies 33 (5): 2274–325. https://doi.org/10.1093/rfs/hhaa020.
引用
BibTeX
@report{liu2026framework,
author = {Liu, Mingyang},
title = {A Geometric Framework for Identification in
Characteristic-Based Factor Models},
date = {2026-03},
url = {https://mingyangliu.org/zh/research/geometric-framework.html},
doi = {10.2139/ssrn.7013178},
langid = {zh}
}
请按如下格式引用：
Liu, Mingyang. 2026. A Geometric Framework for Identification in
Characteristic-Based Factor Models. SSRN preprint. https://doi.org/10.2139/ssrn.7013178.