标签： #因子模型

集成模型平均不是玄学而是有解析保证：Var(S_M−μ*)=(σ²/M)·(1+(M−1)ρ)，只有模型误差独立(ρ小)才持续降噪。合成里单模型 IC 0.134、40 模型集成升到 0.229，Sharpe 从 1.60 拉到 3.12，附完整 Python 与六类真实陷阱（高阶）。

杠杆厌恶因子(原 BaB)不是又一个风险因子，而是质疑 CAPM 本身：受杠杆约束的投资者推高高 β 价格、压低低 β 价格，使证券市场线(SML)被压平、低 β 反而跑赢。从零实现 beta 十分位、SML 检验与杠杆中性组合，附完整 Python 与六类真实陷阱（高阶）。

流动性调整 CAPM：Pastor-Stambaugh 加流动性因子，把『别人缺流动性时你也缺』的风险定成溢价。模拟里流动性 Beta 组合收益 −8.3%→+21.3%，定价误差降 69.9%，附 Python 与五类陷阱。

组合波动从来不是一个数，而是无数风险源叠加。本文用 Barra 式因子模型 r=Xf+u，把组合方差拆成行业、风格、特异性三块，给出精确风险贡献公式 C_k=a_k(Fa)_k，并用偏科技+动量的组合演示：84.6% 风险来自因子、科技独占 65.6%，顺带指出因子缺失、估计误差、非平稳三大陷阱。

用 Nelson-Siegel 三因子模型把 11 个期限的收益率曲线压缩成「水平 / 斜率 / 曲率」三个可解释因子，Python 完整复现曲线拟合、因子时序与载荷分解。

深入探讨主成分分析(PCA)在统计套利中的应用，从降维视角理解配对交易，并提供完整的Python实现框架。

深入解析多因子模型的风险分解原理，从 Euler 定理到边际风险贡献，用 Python 实现因子层面风险归因，帮助量化研究者精准识别投资组合的风险敞口。