量化 Alpha 从哪里来：先分清收益、风险暴露与预测力

一项策略今年赚了 15%，市场涨了 10%，它创造了 5% 的 Alpha 吗？如果只是口语中所说的“跑赢基准”，可以称为 5 个百分点的超额收益；但在更严格的风险模型里，答案还要看策略承担了哪些风险。

如果它用了杠杆，或集中持有当年表现更强的小盘股，较高收益未必来自独立的预测能力。讨论 Alpha，必须先把比较口径摆在桌面上。

一个数字，为什么会随模型变化

用最简单的单因子模型表示：

策略收益 − 无风险收益
= Alpha + Beta ×（市场收益 − 无风险收益）+ 残差

Beta 描述策略对市场变化的敏感程度，Alpha 是模型无法通过这一市场暴露解释的平均收益部分。若加入规模、价值、盈利、投资或动量等因素，原来的 Alpha 可能缩小，也可能改变符号。

肯尼斯·弗伦奇的数据资料库提供多种因子与组合收益，说明研究中有必要把收益来源拆开。但这些历史因子本身不保证未来盈利，也不意味着某一种模型能解释全部风险。

例如，在忽略误差、仅用于说明的情况下，无风险收益为 2%，市场收益为 10%，策略 Beta 为 1.5，那么单因子模型对应的收益为 2% + 1.5 × 8% = 14%。策略实际获得 15%，不能简单把全部 5 个百分点的跑赢都归功于 Alpha。严格估计仍需要一段时间的数据，不能用单年算术代替统计分析。

信号通常从哪里产生

基本面信号尝试识别价格与盈利质量、估值或经营变化之间的关系。例如，同样的账面估值，现金创造能力可能不同。但财报发布日期、后续修订和行业差异都会影响可用性。

价格类信号包括动量与均值回归。前者研究某些价格趋势是否延续，后者研究偏离是否回归；它们并非逻辑上不能共存，因为时间尺度、资产范围与市场机制可能不同。不能看到价格涨了就解释为动量，跌了又解释为反转，而不预先定义规则。

预期变化类信号可能观察分析师预测调整或企业披露与市场预期的差异。这里最重要的是时间：信息何时公开，数据供应商何时提供，策略何时真正能够交易？

微观结构信号则可能利用订单、报价与成交行为，但其寿命和可交易性更依赖执行速度、数据完整性及市场规则。所有数据都应通过合法渠道获得并遵守许可与交易规范。

相关性还不是一笔可以完成的交易

假设某个信号预测，股票未来一段时间平均多涨 0.30%。如果完整买卖的价差、佣金与冲击合计约 0.25%，剩下的空间已经很薄；再考虑模型误差、未成交与税费，净优势可能消失。数字只是教学假设，不是现实成本报价。

此外，预测持有一个月的回报，不能直接与一天的成本或风险指标比较。信号时域、调仓周期与成本计量必须一致。

还需要看容量。少量资金可以在不明显影响价格的情况下成交，大量资金进入同一策略则可能推高买价、压低卖价。回测有收益，不等于任意规模都有收益。

如何判断自己是不是在给运气起名字

先提出经济机制：为什么这种信息没有被充分定价，谁在交易的另一边，优势为什么可能持续？机制不是证明，但它能帮助排除只在历史数据里偶然成立的模式。

然后检查样本外结果、不同阶段表现及对小幅参数变化的敏感性。一个窗口从 20 天改为 21 天就完全失效的信号，值得额外怀疑。还要记录试过多少方案，因为从几千条曲线中挑出的最好结果，与一开始就明确提出的假设，不具有同样的说服力。

最后将毛收益、风险暴露、执行成本与净收益分开记录。策略失效时，才能判断是信息不再有效、风险模型遗漏了因素，还是交易实现出了问题。

Alpha 不是“扣掉所有运气以后剩下的确定收益”，因为现实中无法完全完成这种分离。更准确地说，它是相对于特定模型估计出来的超额表现；能否成为未来可重复的收益，仍需持续检验。下一步可以读如何防止回测过拟合。