多策略 PnL 归因 — Market β / Factor α / Event α

日期: 2026-06-30 方向: Phase 2 / 归因 阶段: Phase 2: 策略实战 + AI 信号 标签: #PnLAttribution #MarketBeta #FactorAlpha #EventAlpha #FamaFrench #OLS

---

今日目标

---

一、从「我赚了多少」到「我为什么赚」

到 Day 51 为止，paper 账户里已经有三条并行的 P&L 曲线：

过去一个月组合大概赚了 +4.8%（paper 数字，illustrative）。表面看不错。但 PM 直觉告诉我必须问的问题是：

「这 +4.8% 里有多少是 SPY 同期涨 +3.2% 我顺势带上的（market β），多少是因子结构性溢价（factor α，但其实是 cheap beta 的另一种形态），多少是真正属于我策略选择 / LLM 信号 / 期权 timing 的（event α / idiosyncratic）？」

这就是 PnL 归因（Performance Attribution）要回答的事。不归因等于公司只看「营收涨了 5%」却不知道是新客户、老客户、提价、还是单纯通胀——下次想复制都不知道复制什么。

1.1 为什么 Phase 2 Week 8 才学归因，而不是 Day 1

Day 1-51 主要是构建：先把策略跑起来、把信号做出来。归因是评价：必须等有一段足够长（≥20 个交易日）的 daily return 才有统计意义。OLS 在 N=10 时跑出来的 R²、t-stat 全是噪声，做也是白做。

经验法则（来自 Andrew Lo / Grinold 的体系）：

N (daily samples)    可信度
< 20                 仅 sanity check，结论不可发表
20 - 60              方向判断 OK，幅度参考
60 - 252             一年内单策略评估
> 252                跨周期可信

我们现在 N ≈ 30-50（每个策略部署后到今天的工作日数）。够做 directional 归因，不够下死结论。这种「测不准」本身就是个人量化要长期面对的事——所以 Day 53 我们会学 Kelly 升级，把测不准本身当成约束去优化仓位。

1.2 PM 视角：归因 = revenue waterfall

我在前公司做零售 SaaS 那几年，每个月 review 财务时一定有一张「Revenue Waterfall」：

上月 ARR: $1.20M
  + 新客户 ARR:        +$80k  ← acquisition team 表现
  + Expansion ARR:     +$45k  ← CSM team 表现
  + Reactivation:      +$10k  ← marketing 表现
  - Churned ARR:       -$30k  ← product / CS 共同责任
  - Downgrades:        -$15k  ← pricing 团队反思
本月 ARR: $1.29M（+7.5%）

没这张表就没有「下次该投什么」的答案。量化策略的 PnL 归因是一模一样的东西——只不过 channel 换成了 market / factor / alpha。

---

二、三层归因框架：market β / factor α / idiosyncratic α

2.1 概念分层

策略 daily return  R_p
       │
       ├── 解释项 1: market β × (R_m - R_f)
       │           「我跟着市场走的那部分」
       │           — long-only 策略只要持仓 > 0，这块基本逃不掉
       │
       ├── 解释项 2: Σ β_k × F_k
       │           「我对各因子的暴露 × 各因子当期回报」
       │           — Fama-French 5 因子：SMB / HML / RMW / CMA / MOM
       │           — 这些是「学术上已知的 risk premium」，赚到也不算特别牛
       │
       ├── 截距项 α: 真 α
       │           「市场和因子都解释不掉的、稳定的超额收益」
       │           — 这才是 PM/策略师真正想要的东西
       │
       └── 残差 ε:   idiosyncratic / event α
                   「单笔事件、个股波动、运气、模型误差的混合」
                   — 可能是 noise，也可能是模型还没捕获的 signal

数学上就是一个 OLS 多元回归：

$$ R_p^t - R_f^t = \alpha + \beta_m (R_m^t - R_f^t) + \beta_{SMB} \cdot SMB^t + \beta_{HML} \cdot HML^t + \beta_{RMW} \cdot RMW^t + \beta_{CMA} \cdot CMA^t + \beta_{MOM} \cdot MOM^t + \epsilon^t $$

其中：

• $R_p^t$ = 策略当日 return
• $R_f^t$ = 当日无风险利率（一般用 1m T-Bill / 252）
• $R_m^t$ = 市场 return（SPY 或 CRSP value-weighted index）
• $SMB$ = Small Minus Big（小盘溢价）
• $HML$ = High Minus Low（价值溢价）
• $RMW$ = Robust Minus Weak（盈利质量溢价）
• $CMA$ = Conservative Minus Aggressive（投资保守溢价）
• $MOM$ = Momentum（动量溢价，Carhart 加的第 6 因子，我们一起用）

2.2 三层的优先级与「fair α」的判定

不是所有的截距项 α 都是「真 α」。判断流程：

核心区分：market β 是免费的（SPY），factor β 是低价的（ETF 如 MTUM/VLUE/QUAL 可复制），只有截距项 α 是稀缺的。

---

三、Fama-French 5 + Momentum 因子怎么拿数据

3.1 数据源（免费且权威）

肯尼斯·法玛（Eugene Fama 的合作者 Kenneth French）的官网每月免费更新所有因子日度收益：

https://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html

下载 F-F_Research_Data_5_Factors_2x3_daily.zip 和 F-F_Momentum_Factor_daily.zip，解压得到 CSV。注意：

• 单位是百分比，不是小数（5.23 = 5.23%，不是 5.23 倍）。我自己每次都要在脚本里 /100，吃过亏
• RF 列是日度无风险利率，已经是小数（0.000xx）
• 数据滞后 1-2 个月更新，做 live 归因要小心 stale data
• 时区：French 的日期是美东收盘日，自己策略也必须对齐到美东收盘日，跨时区错位会产生 ghost α

3.2 自己也可以构造（练手用）

如果不想依赖 French 官网，可以用 ETF proxy 做粗糙版：

精度上比官方因子差（ETF 内部有 turnover、管理费），但作为日常 PM 监控完全够。学术研究用官方，trading dashboard 用 ETF proxy。

3.3 因子之间的多重共线性

跑 OLS 之前最好先看一下因子之间的相关性：

CMA 和 HML 高度共线导致单独看 β_HML 和 β_CMA 的 t-stat 都不显著，但联合看显著——这是 OLS 共线性的经典症状。两个对策：

1. 跑 OLS 时直接看 F-test for H_0: β_HML = β_CMA = 0，而不是逐个 t-test
2. 或者干脆扔掉 CMA，用 4 因子（MKT/SMB/HML/MOM，Carhart 模型）——损失一点解释力但 coefficient 更稳定

我个人 dashboard 用完整 FF5+MOM；做面试 / 写报告时用 Carhart 4 因子（更经典、更易解释）。

---

四、代码实现：通用归因函数

4.1 数据准备

# attribution.py
import pandas as pd
import numpy as np
import statsmodels.api as sm
from pathlib import Path

def load_ff5_factors(path: str) -> pd.DataFrame:
    """加载 Fama-French 5 + MOM 因子（French 官网 daily CSV 已合并版）"""
    df = pd.read_csv(path, index_col=0, parse_dates=True)
    df.columns = [c.strip() for c in df.columns]
    # French 给的是百分比，转小数
    factor_cols = ['Mkt-RF', 'SMB', 'HML', 'RMW', 'CMA', 'MOM', 'RF']
    df[factor_cols] = df[factor_cols] / 100.0
    return df.rename(columns={'Mkt-RF': 'MKT_RF'})

def load_strategy_returns(path: str, strategy_name: str) -> pd.Series:
    """加载某个策略的 daily return（来自 paper account 日终快照）"""
    df = pd.read_csv(path, parse_dates=['date']).set_index('date')
    return df[strategy_name].rename(strategy_name)

4.2 单策略归因函数

def attribute(strategy_ret: pd.Series, factors: pd.DataFrame,
              factor_cols=('MKT_RF','SMB','HML','RMW','CMA','MOM')) -> dict:
    """
    对单个策略的 daily return 跑 OLS 归因。
    返回 alpha (年化%)、各因子 beta、t-stats、R²、残差序列等。
    """
    # align
    df = factors.join(strategy_ret.to_frame('R_p'), how='inner').dropna()
    if len(df) < 20:
        raise ValueError(f"样本不足 ({len(df)} 天)，归因不可靠")

    # 因变量：超额收益
    y = df['R_p'] - df['RF']
    X = df[list(factor_cols)]
    X = sm.add_constant(X)  # 加截距 = alpha

    model = sm.OLS(y, X).fit()

    alpha_daily = model.params['const']
    alpha_annual = (1 + alpha_daily) ** 252 - 1
    alpha_t = model.tvalues['const']

    betas = {f: model.params[f] for f in factor_cols}
    t_stats = {f: model.tvalues[f] for f in factor_cols}

    resid = model.resid
    idio_vol_annual = resid.std() * np.sqrt(252)

    # 归因分解：每日 contribution
    contrib = pd.DataFrame(index=df.index)
    contrib['market_beta'] = betas['MKT_RF'] * df['MKT_RF']
    for f in factor_cols[1:]:  # SMB, HML, RMW, CMA, MOM
        contrib[f'factor_{f}'] = betas[f] * df[f]
    contrib['alpha'] = alpha_daily  # 每天平均分摊
    contrib['idiosyncratic'] = resid
    contrib['total_excess'] = y

    return {
        'alpha_annual': alpha_annual,
        'alpha_t': alpha_t,
        'betas': betas,
        't_stats': t_stats,
        'r2': model.rsquared,
        'r2_adj': model.rsquared_adj,
        'idio_vol_annual': idio_vol_annual,
        'n_days': len(df),
        'contrib_daily': contrib,
        'model': model
    }

4.3 跑三策略 + 组合

factors = load_ff5_factors('data/ff5_mom_daily.csv')

results = {}
for s in ['S1_TwoFactor', 'S2_Wheel', 'S3_IC_LLM', 'Portfolio']:
    ret = load_strategy_returns('data/strategy_daily.csv', s)
    res = attribute(ret, factors)
    results[s] = res
    print(f"\n=== {s} ===")
    print(f"N days: {res['n_days']},  R²(adj): {res['r2_adj']:.3f}")
    print(f"Alpha (annualized): {res['alpha_annual']*100:.2f}%   t={res['alpha_t']:.2f}")
    print(f"Idio vol (annualized): {res['idio_vol_annual']*100:.2f}%")
    print("Betas:")
    for f, b in res['betas'].items():
        print(f"  {f:>8}: {b:+.3f}  (t={res['t_stats'][f]:+.2f})")

4.4 安全护栏

def alpha_is_credible(res: dict) -> tuple[bool, str]:
    """判断 alpha 是否可信。返回 (是否可信, 原因)"""
    if res['n_days'] < 20:
        return False, f"样本太少 ({res['n_days']} < 20)"
    if abs(res['alpha_t']) < 2.0:
        return False, f"alpha t-stat = {res['alpha_t']:.2f}, < 2.0 不显著"
    signal_to_noise = res['alpha_annual'] / res['idio_vol_annual']
    if signal_to_noise < 1.0:
        return False, f"信噪比 {signal_to_noise:.2f} < 1.0, alpha 小于残差波动"
    if res['r2_adj'] > 0.95:
        return False, f"R² adj = {res['r2_adj']:.2f} 过高, 策略可能就是 leveraged market"
    return True, "credible"

生产环境每次跑归因都过这个 gate，结论才进 dashboard。

---

五、三策略归因结果（illustrative，数字示例）

跑完 OLS 后我得到的归因结果（部署到 Day 52，N ≈ 35-50 工作日）：

5.1 S1: 双因子组合（Momentum + Low Vol）

N days: 48
R² (adj): 0.78
Alpha (annualized): +2.10%   t = 1.85   ← 接近显著但未达 2.0
Idio vol (annualized): 6.4%

Betas:
  MKT_RF:  +0.71  (t = +8.2)   ← 主要是市场暴露
     SMB:  +0.08  (t = +0.6)
     HML:  +0.21  (t = +1.4)   ← 价值有点暴露
     RMW:  +0.05  (t = +0.3)
     CMA:  -0.02  (t = -0.1)
     MOM:  +0.42  (t = +3.8)   ← 动量暴露显著 ✓ 策略画像一致

解读：

• β_MKT = 0.71，相当于 71% 仓位的市场暴露——和我做 long-only 大盘股 + 部分现金的设计一致
• β_MOM = 0.42 显著为正，策略名字「动量」和实际暴露一致，这是好事
• α = 2.1% 但 t = 1.85 < 2.0，目前不能宣称 alpha，再跑 1-2 个月看是否稳定
• R² adj 0.78：模型解释了 78% 的方差，剩下 22% 是 idio——比例健康

结论：这个策略大部分赚的是便宜的 factor beta（动量 + 价值的小暴露）+ 市场 beta。这不丢人，因子 ETF 化时代很多 hedge fund 也就这水平。但我自己跑要扣去摩擦成本（佣金 / 滑点 / 重平衡冲击），如果扣完 < 直接买 MTUM ETF，那就该买 ETF 而不是自己跑。

5.2 S2: Wheel 期权（CSP + CC）

N days: 38
R² (adj): 0.34
Alpha (annualized): +5.80%   t = 2.31   ← 显著 ✓
Idio vol (annualized): 4.8%

Betas:
  MKT_RF:  +0.38  (t = +4.1)   ← Delta 控制后的市场暴露
     SMB:  -0.04  (t = -0.3)
     HML:  +0.08  (t = +0.5)
     RMW:  +0.11  (t = +0.7)
     CMA:  +0.03  (t = +0.2)
     MOM:  -0.05  (t = -0.4)

解读：

• β_MKT = 0.38——Wheel 通过 Delta < 0.3 的 OTM CSP 把市场暴露压低到 0.38，和设计预期一致
• 其他因子 loading 都不显著，符合 Wheel 不依赖 style factor 的本质
• α = 5.8% 且 t = 2.31 ≥ 2.0，统计上显著
• 信噪比 = 5.8 / 4.8 = 1.21 > 1.0 ✓
• R² adj 0.34：因子模型只能解释 34% 的方差——剩下的 66% 是期权 Theta + IV 路径这些 FF5 根本没建模的东西

结论：Wheel 是真有 α，但要警惕：

1. 38 天样本仍偏少，且 IV 环境（VIX 区间）单一——遇到 VIX spike 时这套数字可能完全不一样
2. α 的本质是「承担尾部风险换 Theta」，长期 Sharpe 高但偶尔会被 single trade 干穿（黑天鹅周）。归因里看不到，必须独立用 VaR / max drawdown 监控
3. β_MKT = 0.38 看起来低，但 Wheel 的真实暴露在标的暴跌 20% 时会急速攀升到 0.9+（Delta 非线性）。这是 OLS 线性回归捕捉不到的。单看归因表会低估 Wheel 的尾部风险

5.3 S3: 财报 Iron Condor + LLM signal

N days: 31  ← 样本最少，结论最弱
R² (adj): 0.08  ← market 几乎完全不解释
Alpha (annualized): +3.20%   t = 1.42   ← 不显著
Idio vol (annualized): 9.6%

Betas:
  MKT_RF:  +0.03  (t = +0.4)   ← market-neutral ✓
     SMB:  +0.02  (t = +0.1)
     HML:  -0.07  (t = -0.5)
     RMW:  +0.04  (t = +0.3)
     CMA:  +0.01  (t = +0.1)
     MOM:  -0.03  (t = -0.2)

解读：

• β_MKT ≈ 0：真的 market-neutral，符合 Iron Condor 在标的不大涨不大跌时收钱的设计
• 因子 loading 都不显著——也合理，IC 不押 style
• α = 3.2% 看着不错，但 t = 1.42 不显著
• 信噪比 = 3.2 / 9.6 = 0.33 << 1.0，alpha 远小于残差波动，本质是「赚一笔大的，亏一两笔小的」的事件驱动 P&L，OLS 平均化后显著性必然弱
• R² adj 0.08 ：因子模型几乎完全无能为力，这恰恰是事件驱动策略该有的特征——它的 return 跟市场和因子无关，而是跟单只个股的财报路径有关

结论：

1. 不能因为 t-stat 不显著就否定 S3。事件驱动的天然样本结构就是 lumpy（一笔交易决定一周收益），OLS 不是评估它的最好工具
2. 正确的评估方法应该是「per-trade analysis」：每笔 IC 的 P&L 分布、win rate、avg win / avg loss、median holding period、LLM signal vs no-signal 的对照——这些 Day 50 已经开始记录了
3. 归因表对 S3 的真正价值是确认它「和 S1 / S2 不相关」——这意味着组合层面 S3 提供分散化收益，而不是收益本身

5.4 三策略相关性矩阵（归因前必看）

              S1_TwoFactor   S2_Wheel   S3_IC_LLM
S1_TwoFactor      1.00         0.42       0.08
S2_Wheel          0.42         1.00       0.11
S3_IC_LLM         0.08         0.11       1.00

观察：

• S1 ↔ S2 相关性 0.42：两者都吃到一些市场 β（S1 是 long-only 仓，S2 是 CSP 卖方 Delta），所以正相关合理
• S3 几乎和 S1 / S2 都不相关（< 0.15）：market-neutral 设计 + 事件驱动单股，分散化价值最高
• 这预示着 Day 53 Kelly 优化会给 S3 一个比单注 Kelly 更大的权重（因为它对组合 vol 的边际贡献小）

如果 S1 ↔ S2 相关性高到 > 0.7，那相当于在做两份「同款」策略，分散化收益基本没有；< 0.5 时分散化才显著起效。

5.5 Portfolio（三策略合并）

N days: 50
R² (adj): 0.62
Alpha (annualized): +3.40%   t = 2.18   ← 显著 ✓
Idio vol (annualized): 4.1%

Betas:
  MKT_RF:  +0.51  (t = +6.8)
     SMB:  +0.04  (t = +0.3)
     HML:  +0.13  (t = +1.1)
     RMW:  +0.07  (t = +0.5)
     CMA:  +0.01  (t = +0.0)
     MOM:  +0.24  (t = +2.6)

组合归因分解（年化 return 约 11.5%，paper 数字）：

注意：百分比加总因为有 R_f 的处理和复利不严格等于，PM dashboard 用上面分解传达直觉就够。

最关键的观察：

• 组合 α (3.4%, t=2.18) 比任何单策略的 α 都更显著——这是分散化在归因层面的体现（idio vol 从 6.4% / 4.8% / 9.6% 降到 4.1%，t-stat 自然上来了）
• 但组合 β_MKT = 0.51 也比 S2 / S3 单独的 β 高——因为 S1 把整体往市场暴露拉高了
• 如果我想让组合更像「pure α 工厂」，下一步要么降低 S1 比例，要么给 S1 加一个 SPY 空头对冲做成 market-neutral 版本

---

5.6 把组合归因写成「PM friendly 一句话」

练习把刚才几张表压缩成一句话给老板（或给未来的自己）：

「组合本月 +4.8%，其中市场 β 贡献 ~1.8%（被动暴露），factor β 贡献 ~0.5%（动量倾向），策略 α 贡献 ~1.3%（其中 Wheel 主导），剩余 ~1.2% 是 idio 波动（含 Wheel 收 Theta 的事件性 P&L）。α 部分 t=2.18 已显著但样本 50 天偏短，对外不宣称、对内继续观察。下一步建议：S3 IC + LLM 信号噪声过大，先减仓继续测；S1 因子组合考虑加 SPY 对冲变 market-neutral，剥离掉那 35% 的 cheap market β。」

这一段话浓缩了数据 → 解读 → 行动三层，是 PM dashboard 的最终交付物。如果你的归因系统不能产出这种一句话，那归因还没做完。

---

六、归因可视化：stacked area + 月度表

6.1 Stacked area chart（每日累计贡献）

import matplotlib.pyplot as plt

contrib = results['Portfolio']['contrib_daily']

# 累计
cum_contrib = (1 + contrib).cumprod() - 1
# 简化为 4 个 bucket
bucket = pd.DataFrame(index=contrib.index)
bucket['Market β'] = contrib['market_beta'].cumsum()
bucket['Factor β'] = contrib[[c for c in contrib if c.startswith('factor_')]].sum(axis=1).cumsum()
bucket['Alpha'] = contrib['alpha'].cumsum()
bucket['Idio'] = contrib['idiosyncratic'].cumsum()

fig, ax = plt.subplots(figsize=(10, 5))
ax.stackplot(bucket.index,
             bucket['Market β'], bucket['Factor β'],
             bucket['Alpha'], bucket['Idio'],
             labels=['Market β','Factor β','Alpha','Idiosyncratic'],
             alpha=0.7)
ax.legend(loc='upper left'); ax.set_title('Portfolio Cumulative Attribution')
ax.set_ylabel('Cumulative excess return'); ax.axhline(0, color='k', lw=0.5)
plt.tight_layout(); plt.savefig('reports/attribution_stacked.png', dpi=150)

视觉直觉：

• 「Market β」「Factor β」这两层应该跟 SPY / MTUM 走势同步
• 「Alpha」应该是一根缓缓向上的直线（截距项是常数，累加成直线）
• 「Idio」应该是围绕 0 的高频抖动——如果它持续上涨，说明你的因子模型漏掉了某个解释维度（该加因子了）

6.2 月度归因表

把它放进 weekly review 文档里，比看一根净值线信息量大 10 倍。

---

6.3 月度归因表（扩展版）

把每月归因再拆细一点，加上「该归功于谁/哪个策略」的标注，PM review 时 actionable：

这种分策略 alpha 拆解需要在 OLS 之外加一步：把 portfolio return 按当期每个策略的资金占比 × 该策略 daily return 反推。是工程量，但 review 价值极大。

6.4 归因频率：日 / 周 / 月怎么选

新手最常犯的错：用日度归因做月度决策——比如今天 Market β 解释了 90%，就紧张地想「我没 α 了！」；明天 Idio +1.5%，又激动地想「我有 α 了！」。归因的统计意义是月度起步的。

---

七、五个最容易犯的归因错误

我自己在 zero → one 阶段几乎全踩过。

错误 1：把市场 long-only return 当 alpha

最典型场景：你 long-only 跑了 6 个月，赚 12%，宣称「我的策略年化 24%」。

事实：同期 SPY 涨了 10%，你 β = 1.0 的 long-only 暴露理论上「应该」赚 10%，所以真正属于你的 α 只有 2%——还要扣去波动率成本（你比 SPY 波动大 30%，按 Sharpe 调整后 α 可能为负）。

防呆：任何宣称 α 的语句必须先减去 β × R_m。我的 dashboard 里把「naive return」和「β-adjusted excess」两列并排显示，避免自欺欺人。

错误 2：把 factor exposure 当 alpha

「我重仓 NVDA / META / GOOG，过去一年大涨 60%！」

事实：你重仓 mega-cap growth + momentum 因子敞口，这就是 cheap beta。MTUM ETF 一样能做到，且费率 0.15% / 年。你只是用主动方式复制了 ETF，没有 α。

防呆：归因表里的「factor β × factor return」单独一列，让自己一眼看到「这一块 ETF 能复制」。

错误 3：没控制 size / quality / momentum 多重 exposure

经典坑：跑 5 因子 OLS 时，把 SMB 漏掉，只用 MKT + HML + MOM 三因子。结果 SMB 的暴露会被错误归到 α 里——只要你重仓小盘股，SMB 同期涨，你的 α 就被虚高。

防呆：能用就用全套 FF5 + MOM。即使个别因子不显著，留着也不会让其它系数变差（OLS 的 unbiased 性质保证）。

错误 4：用 wrong R_f

T-Bill 不是 0，2026 年大约 4.5%-5% 年化。如果你忘了减 R_f，所有 α 都会被高估 ≈ 5% / 年。

防呆：French 官网 CSV 直接带 RF 列，用就行；自己构造时务必扣 IRX/252/100。

错误 5：用 wrong window

样本太短（< 20 天）跑归因，结果不可信但容易让人产生「我有 α」的虚假信心。这是个人量化最危险的 confirmation bias 源头。

防呆：在 dashboard 第一行就显示 N = 35 这种样本数字，强制自己看到。

---

八、何时 / 如何怀疑「α 是噪声」

工程清单：

最重要的一句话：「t-stat < 2 时，对外别说 alpha，对内当 hypothesis」。

---

九、PM 视角：归因思维的迁移性

1. 归因 = revenue waterfall。任何业务/策略的「为什么赚」如果说不出 channel-level 来源，下次没法复制，也没法 cut 亏损支线。
2. R² 太高未必好。在产品里相当于「客户行为可以被几个外生指标完全预测」——意味着你的产品没有自己的护城河，全是市场红利。
3. t-stat 是「面对怀疑论者也敢出口」的最低门槛。Stripe / Square / 蚂蚁的内部 review 里，说效应大小没用，要说置信区间。这是 senior PM 和 junior PM 的分水岭。
4. idio 持续上涨 = 模型缺失。如果你的归因里残差累计上涨，要么是真新 α（恭喜），要么是漏掉了一个重要因子（更可能）。两种解释都要求你再加一个因子重新跑，而不是默认归功于自己。
5. 不归因 = 没办法 cut。S1 在熊市可能 -10%、S2 可能 +2%、S3 可能 -5%——如果不归因，你可能砍错策略；归因之后会发现 S2 在熊市才是该加仓的稳定 α 源。

---

十、明日预告

Day 53: Kelly 升级 — 从单注 Kelly 到多策略 fractional Kelly + risk budgeting

Day 52 归因告诉我们 S1 / S2 / S3 各自的 α 和 idio vol，下一个问题就是：

• 三个策略之间应该如何分配资金？等权分配是次优的
• 单策略 Kelly（Day 20 学过）是 f* = μ / σ²，但多策略 Kelly 要用协方差矩阵 Σ：$\mathbf{f}^* = \Sigma^{-1} \mu$
• 实践中要用 fractional Kelly（一般 0.25 - 0.5 ×）避免参数估计误差被 Kelly 放大
• 另一种视角：risk budgeting / risk parity——让每个策略贡献相同的 risk，而不是相同的 capital

明天会把今天归因得到的 α / idio vol / 协方差矩阵直接喂给 Kelly 优化器，得出三策略的最优资金分配建议——并和现在「直觉等权」做对比。

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 下载 French CSV 并解析 — ...
• [hh:mm] 三策略 daily return 收集（从 paper account 日终快照） — ...
• [hh:mm] OLS 归因函数写完跑通 — ...
• [hh:mm] 三策略 + 组合归因表生成 — ...
• [hh:mm] Stacked area chart 出图 — ...
• [hh:mm] alpha_is_credible gate 过完一遍 — ...
• 卡点 / 学到的：

---

总字数：约 5,700 字 今日完成度：理论 ✓ / 实操（你自己执行）/ 笔记 ✓