? 核心问题
这篇文章探讨了为什么多万亿美元规模的因子投资（Factor Investing）行业在过去十几年中表现令人失望，甚至在风险溢价保持恒定且符号正确的情况下仍会出现系统性亏损。作者试图揭示现行计量经济学标准（如追求高R方值）如何误导研究人员选择错误的模型规范，并提出了一套基于因果推断（Causal Inference）的新研究范式来纠正这一问题。
? 研究方法
作者主要通过数学推导和理论证明，结合因果图模型（Causal Graphs）来论证观点，而非单纯的实证回归。
（1）结构因果模型证明：作者构建了数据生成过程的数学方程，对比了因子策略和预测策略在两种错误设定下的表现：一是遗漏了混淆变量（Confounder），二是错误地控制了对撞变量（Collider）。
（2）偏差分析：通过推导期望值公式，作者证明了即使风险溢价不变，错误控制对撞变量也会导致参数估计符号反转，从而引发系统性亏损。
（3）算法应用：文章展示了如何利用PC算法（一种因果发现算法）处理Barra风险模型的因子数据，以识别变量间的因果结构并确定正确的控制变量集。
? 数据来源
（1）市场表现数据：Bloomberg GSAM美国股票多因子指数（BGSUSEMF:IND），用于展示因子投资的长期表现不佳。
（2）风险模型数据：来自85个Barra风险模型的每日因子回报序列，用于演示因果发现算法如何构建因果图。
? 核心结论
（1）因子海市蜃楼（The Factor Mirage）：传统的计量经济学标准鼓励研究人员选择解释力（R方）最高的模型。作者证明，包含对撞变量（即被因和果同时影响的变量）的错误模型，往往比正确模型的R方更高、P值更低。
（2）对撞偏差的致命性：遗漏混淆变量只会导致策略表现不佳（跑输），但错误地控制对撞变量会导致系统性亏损。这是因为对撞偏差可能使因子贝塔（Beta）的估计符号反转，导致投资者买入本该卖出的证券。这种损失并非源于市场风险溢价的变化，而是源于模型设定的根本错误。
（3）因果投资协议：为了解决这一问题，作者提出了一套包含7个步骤的因果因子投资协议。该协议要求放弃以提升回测表现为目的的变量选择，转而利用机器学习进行特征选择，并使用因果发现算法（如PC算法）绘制因果图，严格通过do-calculus计算确定的调整集来选择控制变量。
#量化 #金融 #因果推断 #阿布扎比 #因子投资
这篇文章探讨了为什么多万亿美元规模的因子投资（Factor Investing）行业在过去十几年中表现令人失望，甚至在风险溢价保持恒定且符号正确的情况下仍会出现系统性亏损。作者试图揭示现行计量经济学标准（如追求高R方值）如何误导研究人员选择错误的模型规范，并提出了一套基于因果推断（Causal Inference）的新研究范式来纠正这一问题。
? 研究方法
作者主要通过数学推导和理论证明，结合因果图模型（Causal Graphs）来论证观点，而非单纯的实证回归。
（1）结构因果模型证明：作者构建了数据生成过程的数学方程，对比了因子策略和预测策略在两种错误设定下的表现：一是遗漏了混淆变量（Confounder），二是错误地控制了对撞变量（Collider）。
（2）偏差分析：通过推导期望值公式，作者证明了即使风险溢价不变，错误控制对撞变量也会导致参数估计符号反转，从而引发系统性亏损。
（3）算法应用：文章展示了如何利用PC算法（一种因果发现算法）处理Barra风险模型的因子数据，以识别变量间的因果结构并确定正确的控制变量集。
? 数据来源
（1）市场表现数据：Bloomberg GSAM美国股票多因子指数（BGSUSEMF:IND），用于展示因子投资的长期表现不佳。
（2）风险模型数据：来自85个Barra风险模型的每日因子回报序列，用于演示因果发现算法如何构建因果图。
? 核心结论
（1）因子海市蜃楼（The Factor Mirage）：传统的计量经济学标准鼓励研究人员选择解释力（R方）最高的模型。作者证明，包含对撞变量（即被因和果同时影响的变量）的错误模型，往往比正确模型的R方更高、P值更低。
（2）对撞偏差的致命性：遗漏混淆变量只会导致策略表现不佳（跑输），但错误地控制对撞变量会导致系统性亏损。这是因为对撞偏差可能使因子贝塔（Beta）的估计符号反转，导致投资者买入本该卖出的证券。这种损失并非源于市场风险溢价的变化，而是源于模型设定的根本错误。
（3）因果投资协议：为了解决这一问题，作者提出了一套包含7个步骤的因果因子投资协议。该协议要求放弃以提升回测表现为目的的变量选择，转而利用机器学习进行特征选择，并使用因果发现算法（如PC算法）绘制因果图，严格通过do-calculus计算确定的调整集来选择控制变量。
#量化 #金融 #因果推断 #阿布扎比 #因子投资
