机器学习挖出的"跨资产溢出网络"——经济学逻辑还是正则化幻觉？

公众号「映翡量化」对清华大学 2026 年 7 月 13 日论文《Is the Cross-Asset Spillover Network Real? Identification and the Limits of Estimated Interaction Matrices》(SSRN 6957600) 的解读。论文回应 Avramov & He (2026) 用 SDF (Stochastic Discount Factor, 随机贴现因子) 框架从收益率数据估出 N×N 跨资产溢出矩阵 Ψ 的研究热度，指出该路径存在两道致命关卡。

第一道：识别关 (Identification)。 在线性 SDF 框架中，Ψ 通过资产收益率内积进入模型，对 Ψ 的矩条件只有 T 个，与 N² 个自由参数严重失配 (138 portfolios, ~19 000 参数，T=120 月)。作者推导的可识别性微积分表明，方向性"谁传导给谁"特征的可识别比例仅为 ≈ T/N²（原文报告 99.1% 的成分完全没有被数据识别），其余是正则化产物 。样本拆分实验把网络连接分成不相交两半：两半样本 SDF 表现高度一致 (相关 0.98)、连接强度相关 0.77，但方向性相关 −0.28——即两个同样优秀的模型给出方向相反的网络解释。

第二道：信息关 (Information Content)。 即便把 Ψ 投影到特征空间得到低秩核，可复制性显著提升 (方向性相关 +0.96)，却迎来更残酷结论：该结构无经济增量价值——组合层干不过静态均值-方差切点 (p=0.13)；个股层该结构的 Sharpe 2.29 被只用公司自身特征的静态 Ridge 模型 (Lewellen 2015, Sharpe 3.26) 完全吊打。复现性只是必要条件，非充分条件。

真正的溢出在外生网络。 行业信息扩散 (Hou 2007) 与客户-供应商供应链 (Cohen & Frazzini 2008) 两条外生网络策略月度 Appraisal Alpha 分别为 +1.36% / +1.35%，且与所有自建结构模型高度正交。结论："网络只能被网络所张成" (Networks are spanned only by networks)——若不显式输入真实经济联系，单纯靠收益率拟合挖出的高维网络只是对"自身特征因子结构"的换汤不换药。

对量化的启示： 停止对 N×N 密集网络的强行经济学解读；强制低秩化 (19 000 → 1 400 参数)；回归经济学基础——投入资源清洗外生网络数据 (供应链、同业生态、专利引用)，而非依赖收益率的统计戏法。论文不否定 ML 在因子组合和定价上的强大，但划清其在揭示真实经济网络上的边界。

原始链接：https://mp.weixin.qq.com/s/-g8LtT17PITkqS3rkHrVEg · SSRN 6957600