Statistical Factors vs Fundamental Factors (统计因子 vs 基本面因子)
大白话：建风险模型有两条路。一条用有经济含义的东西做因子（行业、市净率、beta）， 可解释、稳；另一条用数据自己说话（对收益率协方差做 PCA），能捕捉任何共同波动， 但因子没有名字、也会随市场状态漂移。Tzikas 等 (2026) 的主张是两条路一起用。
定义。 构建因子风险模型有两种互补的方式：基本面因子使用有经济动机的暴露 （行业虚拟变量、市净率、beta），由公司层面数据直接构造；统计因子则对收益率协方差 做 PCA / EM / 自编码器，不带任何经济先验。
三个族系（出自该文）
| 族系 | 载荷如何构建 | 因子收益如何构建 | 更新频率 |
|---|---|---|---|
| 基本面 | 直接构造（行业、BP、流动性……） | 横截面回归 → 样本 / EWMA 协方差 | 月度 / 季度（Barra） |
| 宏观 | 对可观测宏观收益（通胀、油价、利率）做时序回归 | 宏观变量自身的收益序列 | 季度 |
| 统计 | 对样本协方差做 PCA，或用 EM 拟合「低秩 + 对角」 | 潜变量；与载荷联合估计 | 日度 / 周度 |
取舍
| 维度 | 基本面 | 统计 |
|---|---|---|
| 可解释性 | 高（每个因子都有名字） | 低（主成分是线性组合） |
| 随时间的稳定性 | 高（载荷基于变化缓慢的公司属性） | 较低（载荷追着协方差状态跑） |
| 覆盖短周期主题 | 弱（主题不在因子表里） | 强（任何共同波动都能变成一个因子） |
| 风险模型中的角色 | 主力（Barra、Axioma） | 常为辅助（PCA 收缩） |
Tzikas 等 (2026) 的综合
这篇论文的洞见是：两者并不互斥。 保留基本面基础模型的载荷 B 以获得可解释性与稳定性， 再用少量瞬态统计因子 X 去补足基本面因子集在当前市场状态下漏掉的部分。 这样既有基本面的稳定性，又有统计因子的响应速度，而且结构上是干净的分离：B 保持不变，X 重新学习。
操作含义
- 基本面 B：稳定、更新慢 → 常规风险汇报。
- 瞬态 X：更新快（EWMA、日频）→ 状态切换期做实时风险调整。
如果需要对瞬态因子做事后解释，论文给出两条路：
- 把 X 的各列与已知主题（AI、能源、地缘、价值/成长等）做横截面相关。
- 用 LLM 总结那些 X 载荷最大的资产。
关联页面
- Risk Model Enhancement via Transient Statistical Factors — 明确把两者结合起来的方法。
- Barra 风险模型 — 基本面基准模型的代表。
- PCA 协方差估计 — 经典统计因子做法。
- Factor Themes (13 因子主题分类) — 另一条切分线: 不问因子从哪来, 而问 153 个特征该归并成几组 (Jensen-Kelly-Pedersen 2023 的 1-\rho + Ward 层次聚类)。
参考文献
Tzikas et al. (2026)，见 summaries/202606-mle-transient-factor-mining/202606-mle-transient-factor-mining。