Factor Uncertainty Index (FUI) (因子不确定性指数)
Definition. FUI = 13 个股票因子主题的"不可预测收益成分"的条件波动率的等权截面均值。它测的不是市场有多波动, 而是产生截面收益的那套因子结构本身有多不可预测。由 Huovinen (2026) 提出, 方法学母体是 JLN 不确定性测度框架 (Uncertainty as Conditional Volatility of Forecast Errors)。
三层构造
flowchart TB
A["13 个因子主题月度收益 R_i,t<br/>(Jensen-Kelly-Pedersen 2023)"] --> B["Layer 1: 滚动 AR(1), 120 月窗<br/>取一步预测误差 ε_i,t"]
B --> C["Layer 2: 条件波动率 σ_i,t<br/>EWMA / GARCH(1,1) / RV12 / SV"]
C --> D["Layer 3: 等权截面均值<br/>FUI_t = (1/13) Σ σ_i,t"]
D --> E["预测: 平均因子收益 / 截面离散度 / 未来波动率"]
D --> F["择时: w_t = c_t / FUI²_{t-1}"]
Layer 1 — 剥掉可预测部分
R_{i,t} = \alpha_i + \varphi_i R_{i,t-1} + \varepsilon_{i,t}
滚动 120 月窗 OLS (最少 60 月), 逐月用 t-1 及之前的参数做一步预测, 残差即 \varepsilon_{i,t}。
这里有个反直觉但关键的设计: AR(1) 的样本内 R^2 中位数只有 1.32% (momentum 最低 0.24%, profitability 最高 2.41%)。作者主张这不是模型无能, 而是设定正确 —— 按 JLN 的定义, 不确定性要从不可预测成分里测; 一个高 R^2 的均值模型会把投资者实际面对的变异当作"已预测"扣掉, 系统性低估真实不确定性。稳健性支持这一点: BIC 在 13 个主题上一致选中 AR(1), AR(1)/AR(2)/AR(3)/BIC-optimal 四种设定构造出的 FUI 两两相关 >0.9999, 连纯截距预测的版本都与 AR(1) 版相关 0.9996。
Layer 2 — 四个条件波动率估计器
| 估计器 | 设定 | 性质 |
|---|---|---|
| EWMA (基准) | \sigma_{i,t}^2 = \lambda \sigma_{i,t-1}^2 + (1-\lambda)\varepsilon_{i,t}^2, \lambda = 0.85 由 QLIKE 损失最小化选出 | 因果, 有效跨度约 12 月; \lambda 低于 RiskMetrics 的 0.94, 反映月频因子收益噪声更大 |
| GARCH(1,1) | 零均值设定, 120 月滚动 QML, 每 12 月重估一次 | 因果; 样本起点最晚 (1966-11) |
| RV12 | 12 月滚动均方根 | 因果, 最朴素基准 |
| SV (KSC 1998) | 7 成分高斯混合 + FFBS, 5000 次 MCMC | 非因果, 只作理论上界 |
四者全样本相关 0.840–0.982, 但 60 月滚动相关分歧明显: EWMA–RV12 有 78% 的窗口保持在 0.90 以上, 而 GARCH–SV 有 95% 的窗口低于 0.90。全样本"高度一致"掩盖了子区间的实质分歧。
Layer 3 — 等权聚合
\mathrm{FUI}_t = \frac{1}{N}\sum_{i=1}^{N} \sigma_{i,t}, \quad N = 13
按 JLN 基准做法等权。作者承认按 AUM 或特征向量加权是可选项, 但未实际测试。
时间序列性质
| 统计量 | EWMA | GARCH | RV12 | SV |
|---|---|---|---|---|
| 均值 | 0.0172 | 0.0172 | 0.0171 | 0.0087 |
| 标准差 | 0.0098 | 0.0075 | 0.0100 | 0.0041 |
| 偏度 | 3.37 | 3.54 | 3.44 | 3.18 |
| AR(1) | 0.985 | 0.964 | 0.989 | 0.995 |
高度持久 + 右偏 + 厚尾, 但 ADF 拒绝单位根、KPSS 不拒绝平稳。post-2000 标准差是 pre-1990 的 3.5 倍 (0.0135 vs 0.0039) —— 这条数字后面解释了几乎所有子样本异质性。
与商业周期: 发作式而非系统性
FUI 与 NBER 衰退哑变量的同期相关只有 0.203, 12 个月领先仍有 0.144 —— 有信号但很弱。真正说明问题的是两次危机的不对称:
- dot-com (2001-03 衰退): FUI 在 2000 年 4 月冲到 5.96\sigma, 领先衰退起点约 11 个月; 衰退起点时仍在 5.60\sigma。
- GFC (2007-12 衰退): 衰退起点时 FUI 仅 -0.45\sigma, 峰值 1.52\sigma 出现在 17 个月之后。
作者的解释直接对应设计意图: GFC 是市场层面的共同冲击, dot-com 是因子之间的极端分化。FUI 抓的是后者。这也是它区别于 VIX 的根本所在。
预测力: 强度、口径与陷阱
y_{t\to t+h} = a + b\,\mathrm{FUI}_{t,\text{BOM}} + \varepsilon_{t+h} (BOM = 月初计时, 保证严格事前)。
| 被预测量 | h=6 R^2 | h=12 R^2 |
|---|---|---|
| 平均因子收益 | 19–23% | 22–30% |
| 截面离散度 | 17–38% | 21–51% |
| 未来滚动波动率 | 30–49% (h=3) | 33–70% |
样本外 (Campbell-Thompson R^2_{OS}, 扩展窗, 基准为历史均值): h=6 为 6–12%, h=12 为 5–13%, Clark-West 多数在 10% 水平显著。
读这些数字必须带三个限定 (详见 Predictive Regression Diagnostics (预测回归的统计陷阱)):
- 区间上界来自 SV, 而 SV 不可实时实现。可落地口径应只看 EWMA/GARCH/RV12。有意思的是 SV 的样本外表现反而最差 —— 作者认为是 AR(1)=0.995 的过度持久让它对新发作反应太慢, 并反过来论证前视效应不是主导力量。
- Stambaugh (1999) 修正后短期崩塌: h=12 修正 t 仍达 5.03 (EWMA) / 8.01 (RV12), 但 h=1,3 的修正 beta 对 EWMA 与 RV12 转负。
- 预测力是发作式的。
发作式 (episodic) 与阈值效应
子样本回归 (h=6) 把这一点摊开:
| 子样本 | EWMA \beta | t | R^2 |
|---|---|---|---|
| pre-1990 | 0.249 | 0.77 | 0.80% |
| 1990–1999 | −0.407 | −1.04 | 2.38% |
| post-2000 | 1.058 | 7.04 | 44.5% |
post-2000 内部再拆: 2010–2019 低波动十年 h=12 斜率 -1.41 (t=-2.27) 符号翻转; COVID+ 时段最强 (h=12 斜率 7.54, t=8.25, 但 N=48)。
分位数分析补上形状: Q1–Q3 forward return 基本平坦, Q4 跳升。高/低 FUI regime 分裂回归里, 高 regime h=12 R^2 达 34–41% 且全部显著, 低 regime beta 全部为负 且 R^2 < 4\%。
结论: 这不是平滑的线性风险-收益关系, 而是阈值开关。信号只在因子空间真的开始分化时才带信息。实盘含义 —— 与其线性缩放, 不如做成 Position Timing 式的开关 (论文的二元 regime 版本 α=2.48 bps, t=6.06, 就是这个思路的最简版)。
与既有不确定性指标的关系
相关系数上限只有 0.41 (SV–VIX), GARCH–EPU 低至 0.145。Horse race 结果:
| 对手 | FUI t | 对手 t | 判读 |
|---|---|---|---|
| JLN 宏观不确定性 | 2.19–6.07 (正) | −1.14 ~ −1.81 (不显著) | FUI 完全吸收 JLN |
| EPU 政策不确定性 | 2.45–7.03 (正) | −3.51 ~ −5.87 (显著负) | 互补, 方向相反 |
| VIX | 2.89–10.98 (正) | −2.82 ~ −5.87 (显著负) | 互补; VIX 单独 R^2<1\% |
VIX 与 EPU 的显著负系数是个容易被忽略的发现: 控制住因子层面不确定性后, 市场波动越高、随后因子收益越低。作者解读为两条方向相反的通道 —— FUI 是风险补偿 (要求收益上升), VIX/EPU 是风险偏好压缩 (实现收益下降)。
机制: 基本面估值风险, 不是套利限制
| 检验 | 结果 |
|---|---|
| FUI × 高 VIX 交互 | 全期不显著 (t=-0.81 \sim 0.35) → 套利限制通道不成立 |
| \beta(\mathrm{FUI})_i 对无条件波动率的截面回归 | t=1.24, 不显著 → 同上 |
| 因子分组分解 | value/fundamental 组 h=6 t=4.17 (R^2 20.8%); risk/defensive t=0.79; momentum/technical t=1.48 — 全部集中在基本面组 |
分组结论与 Bansal-Yaron (2004) 长期风险框架一致: 暴露于现金流不确定性的资产要求更高溢价。momentum 是唯一在任何期限、任何校正下都不显著的主题。
截面定价: 方向对, 统计没打穿
对 FUI 创新 (EWMA 一阶差分) 估计主题层 beta, 负 beta 主题 (受不确定性上升伤害) 平均收益更高: 主题层截面相关 -0.55 (p=0.053, N=13)。Fama-MacBeth 主题层风险价格 \lambda 在 EWMA 为 -0.75\%/年 (t=-3.44)、RV12 -0.51\% (t=-2.23) 显著为负。
但这条腿有三处松动:
- GARCH 符号翻转 (+0.51 截面相关), SV 不显著 (-0.32, p=0.285) —— 结论对波动率设定敏感。
- 下沉到 153 个单因子后 R^2 从 29.8% 跌到 2.57%, \lambda 全部不显著。
- 多空组合 (做多负 beta、做空正 beta) 年化 1.09–1.97%, Sharpe 0.142–0.153, t 全部 <1.3。
作者自己的措辞是 "suggestive rather than conclusive" —— 本 wiki 沿用这个定性。
一处未消化的内部张力
论文结论段落说 FUI 是"对因子不确定性的时变风险补偿", 但 6.6 节 Panel B 的数字指向别处:
| FUI 分位 | 月均收益 | 月标准差 | 年化 Sharpe |
|---|---|---|---|
| Q1 (低) | 0.173% | 0.234% | 2.56 |
| Q4 (高) | 0.264% | 0.839% | 1.09 |
Q4 期望收益确实最高, 但波动放大更快 (3.6×) —— 风险调整后收益反而被压缩。作者在正文承认这"排除了简单的风险价格故事", 却在结论回到风险补偿口径。两种读法在论文里并存, 未被调和。
对实盘而言这其实是好消息: 正因为高不确定期"波动涨得比收益快", 反向缩放敞口才有价值 —— 这正是 Volatility-Managed Portfolio (波动率管理组合) 一节 alpha 的来源。
局限
- 只有美股、只有月频、只有长短组合收益 (1951-11 至 2024-12)。
- 等权聚合未做加权稳健性测试。
- 头条 R^2 区间掺入不可实时实现的 SV。
- FUI 是生成回归元 (Layer 2 依赖 Layer 1 的估计残差); 作者用 2000 次分块 bootstrap 全流程重估显示偏误可忽略 (bootstrap SE 为 Newey-West SE 的 1.03 倍), 但这只在 h=1 的离散度回归上验证过。
Open questions
- A 股版 FUI 是否成立? 需要先有 A 股因子主题聚类 (对应 Jensen et al. 2023 的层次聚类), 再跑同样三层流程。A 股散户占比高、因子拥挤更快, "因子内部分化"可能比美股更频繁, FUI 的发作或许更密集。
- 阈值效应能否直接做成开关信号, 而不是线性缩放? 与 Position Timing 的通道触发数机制对照。
- FUI 与 Factor-Loading Uncertainty (因子载荷不确定性) 是同一现象的时序/截面两面吗? 一个说个股载荷不确定 → 期望收益降, 一个说因子空间不确定 → 后续因子收益升。
- 在 Risk Model Enhancement via Transient Statistical Factors 式的瞬时因子增强下, FUI 会被系统性压低吗? transient factor 吸收的正是"结构变化"这部分。
See also
- JLN 不确定性测度框架 (Uncertainty as Conditional Volatility of Forecast Errors) — 方法学母体
- Factor Themes (13 因子主题分类) — 数据底座
- Stochastic Volatility vs Deterministic Volatility (随机波动率 vs 确定性波动率) — Layer 2 的估计器之争
- Volatility-Managed Portfolio (波动率管理组合) — FUI 的可交易化
- Predictive Regression Diagnostics (预测回归的统计陷阱) — 读这些 R^2 必须带的限定
- Volatility Targeting — 单资产层面的对应做法
- Huovinen 2026 Measuring Equity Factor Uncertainty — 论文 entity
Sources
- summaries/202604-measuring-equity-factor-uncertainty/202604-measuring-equity-factor-uncertainty — (2026-08-12) 摘要
- Huovinen, H. (2026). Measuring Equity Factor Uncertainty. SSRN Working Paper 6441198.