3、因子暴露度计算（一）：基于时间序列回归的因子暴露度估计方法（滚动窗口、半衰期加权）

3.1 因子暴露度的核心定义与估计逻辑

因子暴露度（Factor Exposure），又称因子载荷（Factor Loading），衡量的是资产收益率对特定风险因子的敏感程度。在组合风险归因中，暴露度是连接因子收益率与组合风险的桥梁。其核心估计逻辑基于多因子模型的时间序列回归：

R_t = α + β₁·F₁_t + β₂·F₂_t + … + βₖ·Fₖ_t + ε_t

其中：

• R_t：资产在 t 期的超额收益率
• Fᵢ_t：第 i 个因子在 t 期的收益率
• βᵢ：待估计的因子暴露度（回归系数）
• α：截距项（特异性收益）
• ε_t：残差项

3.2 滚动窗口回归方法

滚动窗口回归（Rolling Window Regression）是估计时变因子暴露度的基础方法。其核心思想是：在每个时间点 t，使用过去 L 期的历史数据估计回归系数，作为 t 时刻的因子暴露度。

3.2.1 方法流程

1. 确定窗口长度 L：通常为 12、24、36 或 60 个月（日频数据常用 60、120、252 个交易日）
2. 滑动估计：对每个时间点 t，取 [t-L+1, t] 区间的数据做 OLS 回归
3. 存储系数：将回归得到的 β 向量作为 t 时刻的暴露度估计值
4. 滚动至下一期：窗口向前滑动一期，重复步骤 2-3

3.2.2 窗口长度选择对比

3.3 半衰期加权回归方法

半衰期加权回归（Half-Life Weighted Regression）解决了滚动窗口“一刀切”的问题。它通过指数衰减权重，让近期的观测值对回归结果产生更大影响，而远期的观测值权重逐渐趋近于零。

3.3.1 权重函数定义

给定半衰期参数 H（单位与数据频率一致），第 t 期观测值的权重为：

w_t = λ^(T - t)，其中 λ = 0.5^(1/H)

其中 T 为当前期，λ 为衰减因子。当 H = 12 个月时，12 个月前的观测值权重恰好为当前观测值的 50%。

3.3.2 加权最小二乘估计

在加权最小二乘（WLS）框架下，因子暴露度的估计公式为：

β̂_WLS = (X' W X)^(-1) X' W y

其中 W 为对角权重矩阵，对角线元素为 w_t。相比普通 OLS，WLS 赋予近期数据更高权重，使暴露度估计对市场变化更加敏感。

3.3.3 半衰期参数选择

3.4 两种方法的对比与选择

3.5 时间序列回归估计流程图

3.6 代码实现示例（Python）

以下代码展示了滚动窗口 OLS 与半衰期加权 WLS 的完整实现：

import numpy as np
import pandas as pd
import statsmodels.api as sm

def rolling_window_ols(returns, factors, window=60):
    """
    滚动窗口 OLS 估计因子暴露度
    
    Parameters:
    returns: pd.Series, 资产收益率
    factors: pd.DataFrame, 因子收益率（每列一个因子）
    window: int, 滚动窗口长度
    
    Returns:
    pd.DataFrame, 因子暴露度时间序列
    """
    exposures = []
    dates = factors.index[window-1:]
    
    for i in range(window, len(factors) + 1):
        y = returns.iloc[i-window:i]
        X = factors.iloc[i-window:i]
        X = sm.add_constant(X)
        
        model = sm.OLS(y, X).fit()
        exposures.append(model.params[1:])  # 去掉截距项
    
    return pd.DataFrame(exposures, index=dates, columns=factors.columns)

def half_life_wls(returns, factors, half_life=60):
    """
    半衰期加权 WLS 估计因子暴露度
    
    Parameters:
    returns: pd.Series, 资产收益率
    factors: pd.DataFrame, 因子收益率
    half_life: int, 半衰期参数（单位与数据频率一致）
    
    Returns:
    pd.DataFrame, 因子暴露度时间序列
    """
    lam = 0.5 ** (1 / half_life)
    exposures = []
    dates = factors.index[half_life-1:]
    
    for i in range(half_life, len(factors) + 1):
        y = returns.iloc[i-half_life:i]
        X = factors.iloc[i-half_life:i]
        X = sm.add_constant(X)
        
        # 构建指数衰减权重
        weights = np.array([lam ** (half_life - 1 - j) 
                           for j in range(half_life)])
        weights = weights / weights.sum() * half_life  # 归一化
        
        model = sm.WLS(y, X, weights=weights).fit()
        exposures.append(model.params[1:])
    
    return pd.DataFrame(exposures, index=dates, columns=factors.columns)

# 使用示例
# exposures_ols = rolling_window_ols(asset_returns, factor_returns, window=60)
# exposures_wls = half_life_wls(asset_returns, factor_returns, half_life=60)

3.7 估计质量诊断指标

完成因子暴露度估计后，必须进行质量诊断。以下指标用于评估估计的可靠性：

3.8 因子暴露度估计的 SVG 架构图

3.9 实践中的常见问题与解决方案

• 问题1：因子间高度相关导致多重共线性
  解决方案：对因子收益率矩阵做主成分分析（PCA）或施密特正交化，再用正交因子进行回归。
• 问题2：资产收益率存在条件异方差
  解决方案：使用 ARCH/GARCH 模型对残差建模，或直接使用稳健标准误（HC3/HC4）。
• 问题3：因子暴露度在窗口内发生结构性突变
  解决方案：采用滚动窗口 + 断点检测（如 CUSUM 检验），在检测到断点时重置窗口。
• 问题4：低频数据（月频）样本量不足
  解决方案：使用面板数据 pooled regression 或贝叶斯收缩估计（如 Ledoit-Wolf 收缩）。