先解释符号。\(y\) 是你要解释的结果，例如未来收益；\(X\) 是特征矩阵，例如价值、动量、规模等因子；\(\beta\) 是每个因子的线性权重；\(\varepsilon\) 是模型没解释掉的误差。

OLS 的点估计来自最小化平方残差，也就是让预测值 \(X\beta\) 尽量接近真实 \(y\)：

对目标函数求导。平方残差是 \((y-X\beta)^T(y-X\beta)\)，对 \(\beta\) 求导并令其为 0：

整理得到正规方程：

如果 \(X^TX\) 可逆，就得到：

现在看异方差。异方差是说误差的方差不是常数，例如小盘股收益误差更大、大盘股误差更小。形式上可以写成 \(\operatorname{Var}(\varepsilon_i\mid X)=\sigma_i^2\)，不同样本 \(i\) 的 \(\sigma_i^2\) 不一样。

如果满足外生性 \(E[\varepsilon\mid X]=0\)，即误差没有系统性地跟特征 \(X\) 相关，即使误差异方差，\(\hat\beta\) 的方向通常仍然可以是无偏或一致的。坏掉的是经典标准误，因为经典公式依赖同方差：

异方差时，真实方差应该包含每个样本自己的误差方差。更一般地写成：

这里 \(\Omega=\operatorname{Var}(\varepsilon\mid X)\)。如果同方差，\(\Omega=\sigma^2I\)，它会退化成经典公式；如果异方差，不能再把它简化成 \(\sigma^2(X^TX)^{-1}\)。所以问题不是“系数一定不能算”，而是“你对系数显著性的信心可能算错”。

一元中心化 OLS 的斜率是：

分子表示因子和未来收益的共同变化：

分母表示因子自己的波动大小：

所以：

解释成交易语言：因子 \(x\) 每增加 1 个单位，模型预计未来收益增加约 \(2.5\%\)。但这个例子只有 3 个样本，不能据此说因子可靠；它只是说明系数的计算和经济含义。

先看符号。\(S\) 是样本协方差，直接从历史数据算；\(F\) 是更简单、更稳定的目标结构，这里假设资产之间没有相关性，只保留各自方差；\(\lambda\) 是收缩强度，越大越相信目标矩阵，越小越相信样本矩阵。

代入公式：

对角线保持不变，非对角协方差从 \(0.036\) 被拉到 \(0.018\)。这相当于承认样本相关性可能被噪声夸大，把估计往更稳定、更保守的结构拉回去。

原始样本矩阵下：

组合波动是 \(\sqrt{0.038}\approx19.5\%\)。shrinkage 后：

组合波动是 \(\sqrt{0.029}\approx17.0\%\)。这里风险估计下降，是因为两个资产之间的相关性被拉低了。真实研究里不应该机械地希望风险下降，而要问 shrinkage 是否让估计更稳定、样本外风险预测更准。

这个矩阵表示两个资产方差都是 1，相关程度由 \(\rho\) 控制。求特征值时解：

也就是：

所以：

特征向量 \((1,1)^T\) 对应特征值 \(1+\rho\)，特征向量 \((1,-1)^T\) 对应特征值 \(1-\rho\)。eigengap 是：

当 \(\rho\) 很小，两个特征值非常接近，数据里的微小噪声就可能改变“第一主成分”的方向。此时 PCA 给出的主方向看似精确，其实统计上很脆弱。

特征值为：

eigengap 是：

如果协方差估计噪声大约是 \(0.03\)，它已经接近 eigengap。此时第一主成分比第二主成分多解释的方差很少，噪声足以改变排序或旋转方向。面试回答不能说“PCA 自动找到了市场因子”，更谨慎的说法是“当前样本中存在一个略强的共同波动方向，但需要用滚动窗口、样本外和经济解释验证稳定性”。

日 Sharpe：

若假设独立同分布，年化 Sharpe 约为：

252 天样本下，均值的 t-stat 约为：

这并不是很强的显著性证据。即使年化 Sharpe 看起来接近 0.8，一年样本也很容易只是噪声。

t-stat 近似为：

A 的样本长度 \(n=252\)：

B 的样本长度 \(n=1008\)：

同样的日 Sharpe，样本越长，均值估计越稳定。但 \(1.59\) 也还不是特别强的证据。面试里要强调：Sharpe 的大小和 Sharpe 的可信度不是一回事。

\(\sqrt{252}\) 年化隐含假设是日收益近似独立。如果收益有正自相关，很多天的收益不是 252 个独立观察，而像更少个有效观察。均值的不确定性会比独立假设更大。

直觉上，假设连续几天收益都由同一个慢变量驱动，那么 5 天收益不能当成 5 条全新的证据。此时直接年化会高估显著性。实际研究中会用 Newey-West 标准误、block bootstrap 或按交易周期重新聚合收益。

10 天里最差 20% 是最差的 2 天：\(-10\) 和 \(-6\)。如果用损失正数表示，它们对应亏损 10 万和 6 万。

80% VaR 是尾部入口。排序后第 2 个最差结果是 \(-6\)，所以：

80% CVaR 是进入最差 20% 后的平均亏损：

解释：这个策略 80% VaR 是 6 万，表示约最差 20% 的日子会亏超过或接近 6 万；一旦进入这类尾部日，平均亏损约 8 万。

Sharpe 只用均值和标准差压缩收益分布，无法完整描述偏度、峰度和跳跃损失。若 A 的亏损集中在极端尾部，标准差可能没有充分惩罚“爆仓式”风险。

我会补充看最大回撤、VaR、CVaR、压力测试、单日和连续多日亏损分布，并检查尾部事件是否和流动性枯竭、拥挤交易、杠杆或保证金机制相关。上线时，A 可能需要更低杠杆、更严格止损或更小容量。

先统一单位。5 bps 等于 \(0.05\%\)，也就是 \(0.0005\)。每天单边换手 \(60\%=0.6\)。日成本约为：

成本后日均收益：

成本后日 Sharpe：

年化 Sharpe：

如果不扣成本，日 Sharpe 是 \(0.0008/0.01=0.08\)，年化约 \(1.27\)。成本把看起来不错的策略明显拉低。面试里要主动说“毛收益 Sharpe”和“成本后 Sharpe”必须分开。

1 亿时成本后收益约 10%。10 亿时，如果毛 alpha 没变，但额外冲击成本增加 6%，则成本后收益变为：

收益没有随资金线性扩张。更重要的是，冲击成本往往还会增加尾部风险：市场压力大时更难成交，止损和调仓可能变贵。容量评估不能只看小资金回测收益，要看成交量占比、订单参与率、滑点模型、极端日流动性和拥挤程度。

每个无效策略误报显著的概率是 5%。100 个策略下，假阳性的期望数量是：

所以你很可能在一堆无效策略中找到几个看似显著的结果。问题不在于单次检验公式错了，而在于你进行了多重搜索，却还用单次检验的阈值解释结果。

Bonferroni 的想法很直接：如果做了 \(m\) 次检验，要把单次阈值降到 \(\alpha/m\)。这里 \(m=100\)，整体 \(\alpha=0.05\)，所以：

这意味着某个策略的 \(p=0.03\) 在单次检验里看似显著，但在你试了 100 个策略之后完全不够强。面试里可以说 Bonferroni 很保守，但它清楚表达了多重搜索会制造假阳性。

不能只给一个结论。合理拆解是：

• 先确认样本外是否按时间切分，避免未来数据泄露。
• 检查成本、换手、股票池、生存者偏差和停牌处理是否一致。
• 检查市场状态是否变化，例如流动性、监管、利率环境、行业结构、拥挤交易。
• 把样本外继续拆成滚动窗口，看是持续衰减还是少数极端阶段拖累。

如果样本内强、样本外接近 0，而且没有合理机制解释，优先怀疑过拟合或非平稳；如果某些市场状态下仍有效，可以考虑把它从单独 alpha 改成条件因子或风险监控信号。

我不会只根据 Sharpe 1.8 决定上线。第一步先确认这个 Sharpe 是毛收益还是成本后收益，样本多长，是否用独立样本算出来。第二步看年化假设是否成立：如果收益有自相关或波动聚集，需要用稳健标准误或 bootstrap 重新估显著性。第三步看风险分布：除了均值和波动，还要看最大回撤、VaR、CVaR、极端日和压力场景。第四步看可交易性：换手、滑点、成交量占比和容量是否会吃掉 alpha。第五步看研究流程：是否做过多重检验，是否有真正样本外或 walk-forward，是否存在未来函数和生存者偏差。只有这些检查都通过，Sharpe 1.8 才是上线讨论的起点，而不是上线保证。

我会从四个方向排查。第一，统计显著不等于经济显著，系数可能很稳定但收益幅度不足以覆盖成本。第二，标准误可能低估了不确定性，例如异方差、自相关、行业聚类会让 t-stat 虚高。第三，样本内可能存在过拟合和多重检验，如果试了很多因子，单个高 t-stat 的可信度会下降。第四，回归信号到交易组合之间还有约束：换手、容量、风格暴露、风险模型和交易延迟都可能改变最终收益。所以我会重算 robust t-stat，做样本外和分时期检验，扣除成本后看组合级表现，而不是只看回归表。