极大似然瞬时因子挖掘：风险模型的统计增强 (Tzikas 等, 2026)

来源：微信公众号「睿见Alpha」对 Tzikas, A. E., Candès, E. J., Hastie, T., Boyd, S. P., Kochenderfer, M. J., & Kahn, R. N. (2026). Enhancing a Risk Model by Adding Transient Statistical Factors. arXiv:2605.12977 的解读。 原文作者：Tzikas、Candès、Hastie、Boyd、Kochenderfer、Kahn —— 横跨斯坦福凸优化、高维统计与贝莱德系统化投资的阵容。 论文年份：2026；本笔记入库 2026-06-25。

核心结论

商用风险模型（Barra 短期美股模型等）更新频率低（月度/季度） 且因子集合固定，无法及时捕捉短周期市场风格切换或瞬时主题（疫情、AI 等）。本文证明：在一个已有的低秩加对角基础模型 B \Sigma_B B^\top + D 之上，可以用加权极大似然估计（EWMA 权重）同步重估基础因子协方差、并新增 k 个瞬时统计因子，让模型在样本外风险建模指标（sample-out-of-sample R^2、残差 R^2、对数似然、白化收益相关性）上一致改进，而不改变基础因子暴露 B。工程上的关键招数：EM 算法 + 闭式 M 步，20–30 步即可收敛，并能天然处理缺失收益。

方法一段话

扩展模型：r_t = B f_t + X g_t + \varepsilon_t。其中 B 来自供应商模型（固定），f_t 是基础因子收益（重估），X 是 N \times k 新因子暴露矩阵（学习），g_t 是新因子收益（不妨设协方差为单位阵，吸收到 X），\varepsilon_t 是对角残差。目标：\arg\max_{\theta=\{F,\Sigma_F,X,D\}} \sum_t w_t \log p(r_t^{\text{obs}} \mid \theta)，w_t 取 EWMA 权重（论文取半衰期 126 天）。该似然与模型协方差到加权样本协方差的 KL 散度最小化等价 —— 给出清晰的信息几何解读。引入潜变量 (f_t, g_t) 后，EM 的 E 步是解析高斯后验，M 步对 X、\Sigma_F、D 均闭式（含 D 的小下界以防方差坍缩）。缺失数据由同框架下的高斯后验自然边际化。

关键实证（Barra 短期美股模型 73 因子 + 870 只美股大盘，2018-06-27 至 2023-12-28）

• 样本外 R^2（每日 90/10 切分，用训练集预测测试集）：基础 0.445 → 扩展 0.454；随机扩展反而降到 0.439 —— 说明新因子捕捉的是真实结构而非噪声。
• 残差 R^2（用新因子结构预测基础模型无法解释的部分）：时间均值约 0.125，全程显著为正。
• 零假设反证（"没有新增结构"）：投影矩阵可预测性指标正且集中在 R^2 提升最大的时段。
• 对数似然：基础 2.679 → 扩展 2.726；regret 0.565 → 0.517。
• 白化收益相关矩阵到单位阵的 Frobenius 距离：0.077 → 0.056；残差白化 0.072 → 0.050。
• 超参数：k = 7，EWMA 半衰期 126 天；k \in [2,10] 都可用。

对量化的意义

• 叠加而非替代：挂在现有 Barra 等供应商模型之上 ；B 不变，只重估 \Sigma_B，现有风险报告保持可解释。
• 工程友好：EM 闭式 M 步；缺失数据原生支持（无需 listwise 删除）；Woodbury 恒等式保证低秩加对角结构在均值-方差优化中的计算优势。
• 新因子可解释性：学到的 X 是统计的、非经济的。后置可解释路径：与已知主题（AI、清洁能源、地缘政治）做截面相关性 ，或用 LLM 对高暴露资产做总结。
• 工程陷阱：当某资产特异性方差 D_{ii} 接近 0 时似然会发散，必须给 D 设小下界 —— 任何生产化部署都要保留这一保险。