4. 多资产统计研究概述
横截面均值回归研究的对象从来不是单一资产，而是一组在统计上彼此关联的资产。理解这些资产如何分类、如何相关、如何被少数共同因子驱动，是构建稳健横截面策略的前提。本节从资产类别出发，依次讨论相关性结构、主成分分析、因子模型，最后落到横截面分散化与风险平价这两个组合构建工具。
一、资产类别与收益来源
多资产研究的第一个问题是：我们到底在比较什么？不同资产类别的收益来源、波动特征与流动性差异巨大，直接混在一起做横截面排序往往得到虚假信号。常见的分类维度包括：
- 权益类：个股、行业ETF、国家指数，收益主要由盈利增长与估值变化驱动。
- 利率类：国债、利率互换，收益由期限结构与信用利差驱动。
- 信用类：公司债、CDS，兼具利率与信用双重暴露。
- 商品类：能源、金属、农产品，受库存周期与便利收益影响。
- 外汇类：主要货币对，受利差与贸易平衡驱动。
横截面均值回归通常在同一资产类别内部进行，因为跨类别的均值回归速度与机制完全不同。若强行跨类别，需要先做风险归一化，否则高波动资产会主导排序结果。
二、相关性结构与主成分分析
资产之间的相关性不是静态的。危机时期相关性普遍上升，分散化效果减弱；平静时期相关性下降，横截面离散度增大。研究相关性结构最常用的工具是主成分分析（PCA）。
PCA 将 N 个资产的收益矩阵分解为若干正交成分，第一主成分通常解释 40%～70% 的方差，代表市场整体方向；第二、第三主成分往往对应行业、风格或利率因子。对横截面均值回归而言，关键洞察是：剔除前几个主成分后的残差收益，才是真正可交易的横截面信号。因为原始收益中的大部分共同变动无法通过做多低估、做空高估来对冲。
下面是一段简化的 Python 示例，展示如何从收益矩阵中提取残差：
import numpy as np
# returns: T x N 收益矩阵，已去均值
cov = np.cov(returns, rowvar=False)
eigvals, eigvecs = np.linalg.eigh(cov)
idx = np.argsort(eigvals)[::-1]
eigvecs = eigvecs[:, idx]
k = 3 # 保留前3个主成分
B = eigvecs[:, :k]
common = returns @ B @ B.T
residual = returns - common
# residual 即为剔除共同因子后的横截面残差
三、因子模型：从统计到经济解释
PCA 是纯统计的，因子模型则试图给共同变动赋予经济含义。常见的多因子模型包括：
| 模型 | 因子 | 适用场景 |
|---|---|---|
| CAPM | 市场因子 | 单资产快速归因 |
| Fama-French 三因子 | 市场、规模、价值 | 股票横截面 |
| Barra 风格模型 | 国家、行业、风格 | 多资产组合风险归因 |
| 统计因子模型 | PCA 主成分 | 无先验假设的残差提取 |
因子模型的价值在于：它把收益拆成“共同暴露”和“特质收益”。横截面均值回归赚的是特质收益的均值回复，而不是承担共同因子的方向性风险。因此，因子中性化是横截面策略的标准前置步骤。
四、横截面分散化与风险平价
横截面策略天然持有多个头寸，但等权持有并不等于分散化。如果资产波动率差异大，等权组合的风险会集中在高波动资产上。风险平价（Risk Parity）的核心思想是：让每个资产对组合总风险的贡献相等。
简化流程如下：
- 估计各资产波动率 σ_i。
- 计算初始权重 w_i ∝ 1/σ_i。
- 考虑相关性矩阵，迭代调整权重，使边际风险贡献相等。
- 结合横截面信号方向，做多低估、做空高估，同时保持风险预算平衡。
风险平价与横截面均值回归结合时，有一个常见误区：把风险平价当作收益增强工具。实际上，风险平价只解决风险分配问题，不产生 alpha。它的作用是让横截面信号的收益不被少数高波动资产吞噬。
五、案例：多资产残差均值回归的简化场景
假设我们研究 10 只行业 ETF 的日收益。首先用 PCA 提取前 3 个主成分，发现第一主成分解释 65% 方差，对应大盘方向；第二主成分对应利率敏感行业；第三主成分对应能源。剔除这三个主成分后，得到每只 ETF 的残差收益。
对残差做 5 日滚动 z-score，当某 ETF 残差 z-score 低于 −1.5 时做多，高于 +1.5 时做空，持有 3 日。组合层面用风险平价分配权重，使每只 ETF 的风险贡献大致相等。回测显示，该策略在平静期夏普比率较高，但在市场剧烈波动时回撤明显，验证了相关性结构变化对横截面策略的冲击。
六、常见误区与复盘清单
- 误区一：直接用原始收益做横截面排序，忽略共同因子，导致信号被市场方向主导。
- 误区二：主成分数量选择随意。保留太少，残差中仍含共同因子；保留太多，残差被过度拟合。
- 误区三：风险平价权重未考虑信号强度，导致低信号资产占用过多风险预算。
- 误区四：忽略交易成本与流动性，尤其在小盘股或冷门 ETF 上。
多资产统计研究的本质，是在复杂的相关性结构中寻找可重复的横截面规律。资产类别决定了研究边界，相关性结构与 PCA 提供了残差提取的工具，因子模型赋予经济解释，而分散化与风险平价则确保组合不会因个别资产而失控。这四者环环相扣，构成横截面均值回归策略的统计基础。