风险模型的结构演进：从因子识别到风险传导机制——西学东渐海外文献推荐系列之一百九十八

投资要点

西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。在今天，西学东渐仍有其重要意义。由于AI的发展，单篇文献翻译的价值和难度已经大幅降低。为此，我们转化呈现形式，通过文献综述的方式为大家呈现海外资产定价与量化投资领域的最新研究成果，进而最大化地提供研究增量。本文将风险模型归纳为因子识别、暴露建模、协方差估计与预测、风险传导、尾部与拥挤风险五个相互关联的部分，并从统计精度、经济价值、经济解释力和稳健性四个维度讨论模型评价。

因子数量需要与因子结构和研究目的相匹配。Feng、Giglio 和 Xiu（2020）发现，2012—2016年提出的15个新因子中，仅5个在高维控制集下具有显著的增量随机贴现因子（SDF）载荷；Didisheim 等（2024/2025）则发现，在固定信息集下将因子数扩展至36万个，样本外 Sharpe 由0.8提高至3.7。两组结果分别对应增量定价检验与高维 SDF 估计，并不构成直接矛盾。Connor 和 Korajczyk（2022）关于强、半强和弱因子的研究进一步说明，因子强度分布是选择稀疏模型或大规模因子模型的重要依据。
定价能力与风险解释能力应分别评价。工具变量主成分分析（IPCA）和条件自编码器利用公司特征刻画潜因子暴露，后者进一步允许暴露与特征之间存在非线性关系。非线性模型提高了预测 R2（predictive R2），却未同步提高总体 R2（total R2），说明期望收益预测的改善不等同于共同风险解释能力的增强。定价模型可重点考察定价误差和预测 R2，风险模型则还需检验协方差预测及组合表现。
残差协方差结构是高维风险模型的重要组成部分。 EF-DD、ePOET、VHAR-LASSO 和 GHAR 分别采用对角占优、稀疏、行业块和图邻域等结构约束。相关研究表明，增加因子是改进协方差估计的一条途径，残差结构提供了另一条途径；在最小方差组合中，残差结构还会影响 Σ?1 的估计精度，并进一步影响组合权重与样本外波动。
资金流、信息溢出、生产网络和交易行为提供了因子之外的风险解释。基金资金流的共同成分可以形成可定价的资金流 beta；基金抛售会引起关联企业价格和流动性溢出；企业在生产网络中的位置影响其生产率暴露和尾部风险传导；因子拥挤则与后续回撤频率相关。这些机制进入风险模型的方式不同：可定价暴露进入因子与暴露建模，短期共同波动用于补充协方差，网络尾部与拥挤得分服务于压力测试。
风险模型的评价应先对齐研究任务，再比较具体指标。定价模型与风险模型的对象不同：前者关注定价误差、预测 R2 和切点组合表现，后者关注协方差估计的样本外精度、组合方差和尾部损失。四个评价维度用于比较同一任务下的候选模型，定价模型的组合收益与风险模型的最小方差组合表现属于不同对象，不构成同一排序。相应地，模型改进依赖反复的设定与诊断，单次确定的因子表不足以支撑长期使用。

风险提示：本文为文献综述，不构成投资建议。结论依赖原文样本区间与市场环境，历史规律可能失效；因子模型存在设定误差、估计误差与结构性变化风险；文献证据主要来自美国市场，中国市场适用性需单独检验。

1、引言

1.1

传统风险模型的基本结构

以 BARRA、Northfield 为代表的多因子风险模型，通常将资产收益协方差分解为因子共同成分与残差部分：

其中，B 为因子暴露矩阵，Σ_f 为因子协方差矩阵，Δ 为残差协方差矩阵。该结构用少量共同因子降低协方差估计维度，其有效性依赖三项条件：共同收益能够由相对有限的因子刻画；因子暴露在估计窗口内具有足够的稳定性；残差相关结构较为简单，可以用对角矩阵或稀疏矩阵近似。

上述条件为风险估计提供了清晰的起点，但只在部分样本和用途中成立。候选因子的增加使模型选择和统计推断更加困难；公司特征与市场状态可能导致暴露随时间变化；当资产数量 N 与观测期数 T 同阶，甚至 N>T 时，样本协方差的估计误差更容易传导至其逆矩阵和组合权重。与此同时，资金流、信息传播、供应链和因子拥挤所形成的风险，也未必能被既有因子充分吸收。

1.2

文献脉络与本文结构

本文选取的14篇文献可分为五组：

· 因子识别与检验（3篇）：Feng、Giglio 和 Xiu（2020），Didisheim、Ke、Kelly 和 Malamud（2024/2025），Connor 和Korajczyk（2022）；

· 潜因子与条件暴露（2篇）：Kelly、Pruitt 和 Su（2019），Gu、Kelly 和 Xiu（2021）；

· 协方差估计与组合应用（4篇）：Shi、Shu 和 Gu（2024），Dai、Uematsu 和 Matsuda（2022），Alves 等（2024），Zhang 等（2024）；

· 风险传导机制（4篇）：Dou、Kogan 和 Wu（2024），Honkanen 和 Schmidt（2022），Gofman、Segal 和 Wu（2020），Dew-Becker（2022）；

· 实务补充（1篇）：MSCI（2018）的因子拥挤模型。

后文沿风险模型的构建顺序展开：第二章至第四章构成主链，依次讨论因子集合的确定、暴露的形成与协方差矩阵的估计；第五章讨论主链之外的风险生成机制及其映射方式；第六章将上述内容组织为层次结构，并给出与任务相对应的评价框架；第七章归纳尚未闭合的问题与研究议程，第八章给出结论。三个环节对应三个不同的问题：因子是否具有增量定价贡献，暴露如何随特征变化，协方差结构如何影响组合风险。不同文献使用的样本、指标与研究目的各不相同，比较时保留这些差异。各篇文献的估计细节与次要推导集中于附录 C。

2、因子识别：增量贡献、模型复杂度与因子强度

因子集合的确定涉及三个相互关联但不可相互替代的问题：新因子是否具有增量定价贡献，模型复杂度能否改善样本外表现，以及单个因子在横截面上的强度如何。下述三篇文献分别提供了相应的研究方法。

2.1

高维控制集下的新因子检验

Feng、Giglio 和 Xiu（2020）研究的问题是：在已有大量候选因子的情况下，如何判断新因子 g_t 是否仍具有增量定价能力。若仅以 Fama-French 三因子或五因子为基准，检验结果会依赖基准选择。例如，同一“季节性”因子相对 FF3的 alpha t 值为2.06，加入动量后则变为 ?0.87。候选因子较多时，普通 LASSO 的模型选择错误还可能通过遗漏变量偏误影响后续推断。

作者采用双选择 LASSO（Double-Selection LASSO）降低这一影响。第一步，以横截面 LASSO 从高维因子池 h_t 中选择能够解释期望收益的控制变量；第二步，将待检验因子的横截面暴露 C ?_(g,?,j) 对全部候选因子暴露 C ?_h 再进行 LASSO，以识别与 g_j 暴露高度相关的因子。两步结果的并集构成控制集，随后以无惩罚 OLS 估计并进行渐近推断。第二次选择有助于保留那些自身载荷较小、但可能与待检验因子形成遗漏变量偏误的控制变量。作者证明，即使 LASSO 存在模型选择错误，关于 λ ?_g 的统计推断仍然有效。

实证部分使用1976年7月至2017年12月的美国股票月度数据，构建包含150个因子的因子库，并以750个3×2组合作为测试资产。主要结果包括：

· 在200次随机划分的交叉验证中，只有 SMB 的第一阶段入选频率超过70%，多数因子仅为1%—20%。单次 LASSO 的选择结果不具备稳定性。

· 在2012—2016年提出的15个新因子中，控制2011年前的135个因子后，只有 RMW、HXZ ROE、HXZ IA、QMJ 和中介资本因子具有显著的 SDF 载荷，其月度载荷分别为160bp（t=4.45）、77bp（t=3.37）、51bp（t=2.11）、73bp（t=2.03）和112bp（t=2.21）。CMA 和 BAB 的载荷分别为38bp（t=1.10）和35bp（t=1.45），未达到显著水平。1994—2016年的递归检验中，150个因子有17个被判定为有用。

该方法提供了检验新因子增量贡献的统计程序，其研究目标不包括证明收益过程稀疏。若大量弱因子共同承载风险，相对既有控制集不显著与对风险估计没有价值是两件不同的事。

2.2

大规模因子模型与复杂度的样本外价值

Didisheim、Ke、Kelly 和 Malamud（2024，2025年8月修订）考察另一个问题：在信息集不变时，增加因子和非线性变换能否改善 SDF 估计。传统套利定价理论（APT）通常假设收益由少数共同因子驱动；作者提出“人工智能定价理论”（Artificial Intelligence Pricing Theory，AIPT），其核心设定是因子数量可以超过样本观测数。作者从 Jensen、Kelly 和 Pedersen（2023）的130个股票特征出发，以随机傅里叶特征（Random Fourier Features，RFF）生成非线性变换

每个 S_p (Z_t) 对应一个特征组合（即按股票特征加权构造的组合）F_(p,t+1)=S_p (Z_t )^' R_(t+1)，SDF 仍表示为因子的线性组合 M_(t+1)≈1-λ^' F_(t+1)。当 P>T 时，作者使用岭回归估计权重：

因子数由36个增加至360,000个，对应的复杂度比率 c=P/T 由0.1增至1,000。因子数量最多的模型，其定价误差相对 Fama-French 六因子（FF6）和 Hou-Xue-Zhang 五因子（HXZ）模型分别降低54.8%和50.4%；样本外切点组合 Sharpe 为3.7，FF6和 HXZ 则分别为0.8和1.2。Hansen-Jagannathan 距离（HJD）由低复杂度模型的约0.54降至约0.22。

主成分压缩结果进一步显示了高维信息的影响：将36万个因子压缩至5个主成分后，Sharpe 降至1.3，HJD 回升至0.57；保留25个主成分时，Sharpe 为2.9。大量单个贡献较小的因子可能共同构成 SDF 的有效信息，单纯保留少数主成分会损失其中一部分。

随机矩阵理论为上述结果提供了解释。c>0 时，样本协方差的特征值分布会偏离真实分布；岭回归所隐含的收缩可以降低估计误差，而增加非线性因子又可减少设定误差。复杂度的净效应取决于因子协方差的特征值分布：特征值较为集中时，高维模型的增量价值有限；特征值较为分散时，高维模型和收缩估计更有优势。作者的校准结果显示，美国股票数据的特征值分布更接近后一种情形。

这些结果尚未纳入交易成本、做空约束与容量限制，RFF 的随机性还需通过重复估计检验其影响。因此，3.7的样本外 Sharpe 主要反映统计模型的潜在表现，不能直接等同于实际可投资组合的收益。

2.3

强、半强与弱因子的识别

前两篇文献讨论 SDF 的估计与定价检验，其对象是期望收益。Connor 和 Korajczyk（2022）把视角转向收益的共同变动，按因子强度对近似因子模型 r_t=a+Bf_t+ε_t 重新分类。这一视角不直接回答大规模 SDF 模型的优势来源，但为判断降维可能遗漏哪类风险提供了另一项依据。

传统定义中，强因子的载荷平方之和随资产数 n 同阶发散，弱因子的相应总和则有界。作者引入半强因子（semi-strong factor）：其载荷平方之和以 n^(1-2α)（0<α<1/2）的速度发散，但平均载荷平方趋于零。单个资产的暴露很小，暴露却广泛存在于横截面中。

作者提出只依赖资产数发散与可观测因子的统计量：

并证明。即使单个不显著，平均载荷平方仍可识别半强因子。强因子与半强因子的区分使用惩罚统计量，其中 a_n 根据研究者设定的最小衰减率 δ 构造。

实证覆盖1989—2018年的六个五年子期，每期约包含4,254—4,904只美国股票和11个预设因子。FF 三因子表现为强因子：MKTRF 的惩罚 z 值为52—55，SMB 为15—34，HML 在多数子期为7—27。石油与黄金在部分子期表现为半强因子，货币与铝在近期更接近半强因子，木材则最多属于弱因子。模拟还显示，标准主成分分析（PCA）对半强因子的调整 R^2 仅为0.19%—0.64%。这意味着，仅保留前几个主成分可能遗漏半强因子；对于在相关资产或行业上集中持仓的组合，这类遗漏仍可能具有实际影响。

2.4

三类检验的适用边界

三篇文献分别回答增量定价、模型复杂度和因子强度问题，其研究目的与结论适用范围不同。三者共同指向的判断是：因子数量本身不构成模型选择的目标，应当先明确要回答的是定价问题还是风险估计问题，再决定采用哪种检验（表1）。

因此，检验理论因子的增量贡献时，双选择 LASSO 提供了合适的统计工具；估计高维 SDF 时，高维因子模型与收缩估计可能保留更多弱信号；进行风险降维时，则有必要考察半强因子是否被遗漏。模型复杂度应结合特征值分布、研究目的和可投资性共同确定。

3、条件暴露：从IPCA到非线性潜因子模型

传统风险模型通常将因子暴露视为估计窗口内的固定参数。IPCA将公司特征引入潜因子载荷，条件自编码器进一步允许载荷随特征非线性变化。两类模型都关注特征、暴露与期望收益之间的关系，其证据同时表明，定价能力和共同风险解释能力需要分别考察。

3.1

IPCA：以公司特征刻画潜因子暴露

Kelly、Pruitt 和 Su（2019，工作论文2018）研究的问题是：股票特征与平均收益的关系究竟源于不可观测风险因子的补偿，还是体现为风险无法解释的截距项。其模型为：

其中，f_(t+1) 为 K 维潜因子，z_(i,t) 为包含常数的 L 维公司特征。如果特征与期望收益的关系反映风险补偿，z_(i,t)^' Γ_β 应能刻画与潜因子相匹配的暴露；否则，特征效应将体现在异常收益截距 Γ_α 中。令 Γ_α=0 可得受限模型，Γ_β 与 f 通过交替最小二乘估计（迭代式见附录 C.1）。

这一方法被称为工具变量主成分分析（Instrumented PCA），公司特征相当于潜因子载荷的工具变量。当 Z_t^' Z_t 不随时间变化时，IPCA 等价于对特征组合面板进行 PCA；当 K=L 时，模型退化为逐期 Fama-MacBeth 回归。K<L 时的降维是 IPCA 区别于传统横截面回归的重要特征。

实证使用1962年7月至2014年5月的美国股票数据，包含12,813家公司、36个特征和约140万个月度观测。五因子 IPCA 的样本内总体 R^2 为18.6%，预测 R^2 为0.69%；匹配样本的 Fama-French 五因子（FF5）模型分别为21.9%和0.29%。样本外递归估计下，五因子 IPCA 的总体与预测 R^2 分别为17.5%和0.60%，切点组合 Sharpe 为3.89，Fama-French-Carhart 六因子（FFC6）模型为1.37。

对 Γ_α=0 的 bootstrap 检验显示，K=1~4时 p 值均低于1%，K=5 时为2.06%，K=6 时为52.1%。因此，五因子是在1%显著性水平上不再拒绝零截距假设的最小设定；36个特征中有10个在1%水平上显著。

IPCA 建立了特征风险模型与潜因子定价之间的联系，其优势集中在定价维度：总体低于 FF5，预测更高，参数数量明显更少（3,180对57,260），定价误差也更小。协方差建模需要的精度来自另一组估计对象，残差结构与样本外风险预测须单独检验。

3.2

条件自编码器：允许暴露非线性变化

IPCA 假设 β(z_(i,t-1))=z_(i,t-1)^' Γ 为线性函数。Gu、Kelly 和 Xiu（2021，工作论文2019）提出的条件自编码器保留 r_(i,t)=β_(i,t-1)^' f_t+u_(i,t) 的基本形式，并以神经网络描述条件暴露：由公司特征经若干隐藏层得到 z_(i,t-1)^((L_β ) )，暴露取该隐藏层输出的仿射函数，激活函数为 ReLU（逐层递推见附录 C.2）。因子网络以特征组合 x_t=(Z_(t-1)^' Z_(t-1) )^(-1) Z_(t-1)^' r_t 为输入，输出潜因子 f_t。估计目标为收益重构误差与 LASSO 惩罚之和：

单层线性自编码器等价于 PCA；在 Z_t^' Z 恒定时，线性条件自编码器 CA0等价于 IPCA。CA1在暴露网络中加入32个神经元的隐藏层，CA2与 CA3依次再加入16和8个神经元的第二、三层，以刻画不同程度的非线性。

实证使用1957—2016年 CRSP 美国个股数据，约包含29,892只股票和94个特征。结果显示，非线性的改善集中在收益预测和定价结果，总体 R^2 没有提高：

· 当 K=6 时，IPCA 的总体 R^2 为14.5%，CA1为14.3%，CA2和 CA3均为13.8%，FF 为 ?6.1%，PCA 为3.9%。

· 同一设定下，CA1、CA2和 CA3的预测 R^2 分别为0.53%、0.58%和0.57%，IPCA 为0.30%，FF 与 PCA 均为负值。

· K=3 的等权十分位多空组合（10?1）年化 Sharpe 分别为 CA2的2.16、IPCA 的1.26和 FF 的 ?0.40；CA2六因子等权和市值加权组合的 Sharpe 分别为2.63和1.53。

· FF5下，95个特征组合中有37个的 alpha t>3；CA2下减少至8个，且剩余显著 alpha 均小于7bp/月。

非线性改善了期望收益的刻画，预测 R^2 与组合 Sharpe 上升，定价误差下降；共同变动的解释能力没有同步改善，总体 R^2 略低于线性设定。神经网络带来额外的过拟合和模型不确定性，协方差误差会通过 Σ^(-1) 传递至组合权重。

3.3

定价评价与风险评价的区别

两类模型给出了同一组信息：总体 R^2 与预测 R^2 的变化方向并不一致。定价模型关心特征所对应的期望收益能否由风险暴露解释，因此以定价误差和预测 R^2 为主要判据；风险模型关心收益的共同变动能否被 Σ ? 准确描述，因此需要协方差预测误差、组合方差和尾部损失作为判据。前者的改善不构成后者的证据。

条件暴露模型解决的是主链中的第二个环节，即暴露矩阵 B 如何随特征生成，并未回答因子协方差 Σ_f 与残差协方差 Δ 如何估计。同一暴露设定下，协方差结构的不同选择会得到不同的组合权重和样本外波动，相关讨论见第四章。

4、协方差矩阵的估计与预测

高维协方差估计需要在共同成分与残差结构之间作出合理简化。本章四种方法可分为两组：EF-DD 与 ePOET 处理静态协方差，重点是在给定样本上如何设定暴露与残差结构；VHAR-LASSO 与 GHAR 处理动态协方差，重点是把时间序列信息和网络信息加入预测。两组的差别不在于估计精度的高低，而在于协方差是否需要随高频信息更新。

4.1

EF-DD：面向高维组合选择的残差约束

Shi、Shu 和 Gu（2024）提出将可观测因子、潜因子与对角占优残差结合的增强因子模型（EF-DD），并从高维最小方差组合（MVP）出发研究协方差估计。Ke、Xue 和 Yang（2020）的结果表明，Σ 的估计误差主要由低秩部分主导，而 Σ^(-1) 的误差更受残差协方差 Σ_u^(-1) 影响。对使用协方差逆矩阵构建的组合而言，残差结构尤其重要。

EF-DD 的估计分为三步。首先进行 FF 回归 y_t=Af_t^o+g_t；随后将残差分解为 g_t=Bf_t^u+u_t，通过 PCA 提取潜因子，并以 Bai-Ng 信息准则选择因子数 k；最后对残差协方差 Σ_u 施加对称 c-对角占优（diagonally dominant，DD）约束：

模型通过 DD-PCA 交替投影求解，（求解过程见附录），最终得到

对角占优约束有助于保证残差协方差矩阵非奇异，使 Σ ?_u^(-1) 具有较好的数值性质；在 c=1 的设定下，也减少了调节稀疏阈值的负担。

实证覆盖8个数据集，样本期为1977—2021年，每次包含100—500只股票，并使用120个月滚动窗口。以100FF、m=1 为例，FF1-DD 的月度组合方差为22.80%2（方差口径，单位为百分比的平方），加入潜因子后降至13.34%2。全样本中，FFm-PCAX-DD 的组合方差在多个数据集上低于 FF1-NLS 和 FF5-NLS，与 Glasso 各有优劣；在8个数据集中的4个上 Sharpe 最高，扣除50bp 交易成本后的净 Sharpe 在3个数据集上最高、在4个数据集上位居第二。500CP 数据集上的协方差估计耗时为2.65秒，Glasso 为10.6秒。

该研究表明，可观测因子和潜因子可以共同解释收益，残差约束则服务于协方差逆矩阵的稳定估计。对高维 MVP 而言，改进残差协方差与增加因子数量是两条不同的路径。

4.2

ePOET：强弱因子并存时的静态协方差估计

Dai、Uematsu 和 Matsuda（2022）关注强因子与弱因子并存的情形。在1998年5月至2018年4月、376只 S&P 500股票的月超额收益样本中，碎石图仅显示一个明显的特征值间隙，Onatski（2010）的 ED 方法却识别出6个因子；剔除 Fama-French 五因子后，仍有5个弱因子。传统 POET 依赖前 K 个特征值随 N 成比例发散的强因子假设，可能无法充分提取这类弱因子。

作者提出扩展 POET（ePOET）模型：

其中，x_t 为可观测因子，f_t 为潜因子。估计时，先以 OLS 得到 A ? 和残差 U ?，再对 U ? 进行 SOFAR 以估计具有稀疏载荷的潜因子，随后对剩余残差 e ?_t 作自适应软阈值处理，最后合成

在 α-强混合、次高斯和稀疏性条件下，作者给出了 Σ ? 与 Σ ?^(-1) 的收敛速度。弱因子环境下，ePOET 的收敛速度优于 PCA-POET；强因子环境下，两者同阶。

模拟结果与这一判断一致。强因子设定（α_1=α_2=1）下，两种方法表现接近；弱因子设定（α_1=α_2=0.6）下，N=300 时 ePOET 的 Kullback-Leibler 散度（KLD）为14.48，POET 为16.41，前者约低11.8%。混合结构下，ePOET 的 KLD 比 POET 低约10.6%，比对角样本协方差低约76.5%。

在2002—2012年、395只 S&P 500股票的日超额收益样本中，作者逐月滚动构造 MVP。ePOET-2的样本外标准差为0.45%，POET、EFM-POET 和 EFM 分别为0.47%、0.50%和0.51%；ePOET-2的样本期超额收益为39.89%，Sharpe 为1.36，均为五种方法中最高。

ePOET 扩展了 POET 对弱潜因子的处理，但估计对象仍是静态协方差，不描述条件协方差的跨期变化。该文的实证集中在单一市场与样本期，MVP 标准差相对 POET 的降幅为0.02个百分点，经济意义有限。协方差需要随日度或周度信息更新时，静态结构不足以刻画波动聚集，这一问题由下一组方法处理。

4.3

VHAR-LASSO:因子、行业块与动态收缩

Alves、de Brito、Medeiros 和 Ribeiro（2024）研究430只 S&P 500成分股的日度 430×430 已实现协方差预测。若直接对 vech(Σ_t) 建立 VAR(10)，需要估计125,250个方程，每个方程包含1,252,500个自变量，因而必须先行降维。

作者首先进行因子分解：

因子 f_t=W^' r_t 由同一批股票按特征排序形成的多空组合构成，因而可以通过 Σ_(f,t)=W^' Σ_t W 提取因子协方差。随后，对 y_(f,t)=vech(Σ_(f,t)) 建立包含日、周、月滞后项的向量 HAR（VHAR）-LASSO 模型：

并使用矩阵对数变换保证预测后的正定性。残差协方差则按10个 SIC 行业设为块对角：

每个行业块仅以过去的方差作为预测变量，逐块、逐方程使用 LASSO 或 adaLASSO。高维矩阵因此被分解为低维因子协方差和行业内部残差协方差，并进一步通过收缩减少待估参数。

实证使用2006—2011年的日度已实现协方差，矩阵基于5分钟收益，采用复合已实现核（composite realized kernel）方法估计，最终包含430只股票和1,495个矩阵。带对数变换的 VHAR 相对随机游走的预测误差比为0.85—0.87，即误差降低约15%；EWMA 的相应比值为6.93，BEKK-NL、DCC-NL、AFM1-DCC-NL 和 IDR-DCC-NL 均为1.72。

全局最小方差组合（GMVP）的样本外年化标准差方面，VHAR 为8.09%—8.46%，随机游走为12.07%，DCC-NL 为10.65%，AFM1-DCC-NL 为9.24%，IDR-DCC-NL 为10.36%。按 Alves 等（2024）表5的绝对数计算，8.09%相对随机游走低约33%，相对 DCC-NL 低约24%；论文摘要中的“相对次优方法逾25%、相对随机游走近40%”与上述计算口径略有差异，本文保留该表的结果。

该框架将因子部分的低秩结构、行业块和动态收缩结合起来，适用于高维横截面的已实现协方差预测。样本外区间为473个交易日，且仅保留全样本存续股票，存在幸存者偏差，并受到危机样本的较大影响。固定行业块在极端市场环境下会遗漏跨行业相关，组合结果未计入交易成本。残差相关按行业分组，跨行业联动只能由因子部分承担；当地理或业务关联跨越行业边界时，更一般的关系结构可以替代固定分组。

4.4

GHAR:以图结构描述跨资产溢出

Zhang、Pu、Cucuringu 和 Dong（2024）将图信息引入已实现协方差预测，提出图 HAR（GHAR）方法。传统 HAR-DRD 将矩阵分解为 H_t=D_t R_t D_t，分别预测波动率和相关性，但单个资产的方程只使用自身滞后项，未直接描述资产间的波动率溢出与相关性联动。

GHAR 在波动率方程中加入邻居资产的加权平均滞后项：

其中，W=O^(-1/2) AO^(-1/2) 为归一化邻接矩阵，A 可定义为空图、完全图、GICS 行业图或 graphical LASSO 图。相关性预测进一步使用线图（line graph）：每个资产对 (i?,j) 对应一个节点，共享同一资产的资产对相互连接。模型逐方程以 OLS 估计，预测后对相关系数作 [-1,1] 截断，并进行最近正定矩阵投影。

实证使用2007—2021年27只 DJIA 成分股的 LOBSTER 高频数据和5分钟收益，滚动窗口为1,000个观测，每月重新估计，预测期限包括1日、1周和1月。1日预测中，GHAR(GL, eL) 的 L_E/L_F/L_Q 损失分别为 HAR-DRD 的0.975、0.975和0.982，即降低约2.5%、2.5%和1.8%，模型置信集（MCS）检验无法排除其属于最优模型集合。1周预测的损失比为0.974、0.975和0.997，1月为0.991、0.991和1.001，改善随期限延长而减弱。

组合层面，GHAR(GL, eL) 的 GMVP 年化波动为9.799%，HAR-DRD 为9.918%，1/N 为11.89%；换手率分别为0.675和0.771。波动率最高的10%子样本的 L_E 损失比为0.961，平静期为0.984，说明图信息在高波动阶段的预测改进更大。不过，27只大盘股的横截面较小，1日预测误差约2.5%的降幅和 GMVP 波动约1.2%的相对改善仍需在更大样本中检验。

4.5

不同协方差结构的比较

四种方法都以结构约束减少有效待估维度，但约束所表达的经济含义不同。低秩部分描述共同风险，对角占优或稀疏约束控制残差估计误差，行业块和图结构保留局部相关。方法选择应与数据频率、预测期限和网络信息质量相匹配，评价则应同时包括样本外预测误差与组合结果。

四篇文献的共同前提是收益的共同变动可以由因子部分与残差部分分解，残差即便结构化，其相关性仍由历史样本估计。当共同波动的来源不在因子张成的空间内，例如由资金流、信息传播或供应链位置引起，仅调整协方差结构不足以识别风险的来源。下一章讨论这类机制及其进入模型的方式。

5、风险生成机制及其模型映射：新增暴露、短期传导与尾部放大

因子、暴露和协方差构成了风险估计的统计结构，但风险的形成还受到金融中介、信息传播、供应链关系和交易行为的影响。以下五类机制按进入风险模型的方式分为三组：基金资金流的共同成分与企业生产网络位置可以形成新的可定价暴露，进入因子识别与暴露建模；基金抛售引起的价格与流动性溢出主要造成短期非基本面共同波动，用于补充协方差估计；生产网络尾部与因子拥挤描述压力情景下的损失放大和交易脆弱性，服务于尾部评估与压力测试。

5.1

基金资金流的共同成分与对冲需求

Dou、Kogan 和 Wu（2024）从主动权益基金的收费方式出发，研究基金资金流的共同成分（common fund flows）的资产定价含义。基金管理费通常与资产管理规模（AUM）挂钩，资金流引起的规模变化因此构成基金管理人的收入风险。该共同成分反映不同基金资金流的共同变化，具有较强的因子结构。总体不确定性上升时，基金投资者赎回，导致资金流出。股票收益对该共同成分的敏感度记为资金流 beta（flow beta）。基金管理人难以通过个人账户完全对冲该风险，于是相对切点组合低配资金流 beta 较高的股票、超配资金流 beta 较低的股票；市场出清要求指数基金和散户等其他投资者反向持仓。

模型的均衡定价关系为：

其中，；当时，模型退化为 CAPM。基金资金流的共同成分因此成为系统性定价因子，即使投资者是短视的、基金投资者没有跨期对冲需求，基金自身的资金流对冲仍可产生类似 ICAPM 的定价关系。

实证使用1991—2018年 CRSP 主动权益基金数据和1992—2018年股票数据。资金流 beta 的 Q5?Q1组合超额收益为6.81%，CAPM alpha 为7.62%；CRSP-Morningstar 样本中分别为8.50%和6.70%。Fama-MacBeth 回归中，资金流 beta 的标准化系数为0.219（），即一个标准差对应月收益0.219%、年化2.63%；控制不确定性 beta、规模、价值、动量、反转和流动性后，结果仍然显著。

持仓证据与理论方向一致：主动基金相对市场组合的权重对资金流 beta 的回归系数为 ?0.017（），指数基金为 +0.027，散户为 +0.031至 +0.077。自然灾害和2018年中美贸易战公告两项准实验进一步显示，自然灾害暴露使异常资金流为 ?0.034（），并促使未受灾股票权重向低资金流 beta 方向调整。

对风险模型而言，资金流 beta 可作为候选因子或状态变量，用于描述金融中介的资金流与资产共同波动之间的关系。不过，资金流beta 同时包含现金流暴露和价格冲击信息，建模时还需结合基金持股、基金主动管理程度以及流动性和不确定性因子，避免重复计量相关暴露。

5.2

生产网络位置与纵向创造性破坏

Gofman、Segal 和 Wu（2020）将创造性破坏（creative destruction）由竞争对手之间的横向影响扩展至供应链上下游之间的纵向影响。与资金流 beta 类似，这一机制给出的是可进入因子与暴露建模的横截面差异：越处于上游的企业，平均收益和对总量生产率的暴露越高。

在多层生产经济中，第j层企业使用资本与劳动生产，资本品购自上一层。总量生产率上升同时产生需求效应和供给效应：前者提高各层企业未来现金流和增长期权；后者提高上游供应商效率，使资本品供给曲线右移，并降低下游存量资本的重置成本与边际价值。后一机制即“纵向创造性破坏”（vertical creative destruction）。简化模型中，

下游企业承受的累计供给效应更大，其价值对生产率冲击相对不敏感；最上游企业没有供应商，主要承受需求效应，因而具有更强的周期性和更高的风险暴露。共同冲击下，随垂直位置上升；生产链越长，不同层级的风险暴露差异和风险价格越大。

实证使用 FactSet Revere 2003—2013年的供应商—客户关系，包含206,264条关系和5,926只股票。作者根据有向图最短路定义企业垂直位置，并以滞后两个月的位置排序构造六个分层组合。TMB（第5层减第0层）的月收益为105bp，等权组合为108bp，值分别为2.07和2.51；年化 Sharpe 分别为0.68和0.82，市场组合、SMB 和 HML 则分别为0.39、0.28和0.29。

生产率 beta 从第0层的约1.2上升至第5层的2.5以上。模型校准的 TMB 年化收益为12.49%，数据中为11.27%。竞争程度还会放大这一效应：高竞争组 TMB 年化收益为9.97%，低竞争组为4.63%。

企业上游度因此可以作为系统性风险暴露的候选变量，用于补充传统市场 beta。供应商集中度与竞争程度也可能影响这一暴露的强度。不过，将该机制用于协方差或组合风险预测前，还需明确网络位置到资产暴露的映射及样本外表现。

5.3

基金抛售中的价格与流动性溢出

前两节的机制可以转化为横截面暴露。Honkanen 和 Schmidt（2022）讨论的机制不产生新的定价因子，只在事件窗口内改变资产间的共同波动和流动性，其作用在于补充协方差估计。

作者研究共同基金因大额赎回而被迫集中折价抛售（fire sale，以下简称“基金抛售”）所引起的信息溢出，考察投资者是否会从经济关联企业（economic peers，以下简称“关联企业”）的股价中学习。基金抛售属于非基本面冲击；若投资者无法完全识别冲击来源，就可能将被抛售股票的价格下跌理解为关联企业的负面信息，进而引起关联企业的价格和流动性变化。

作者以两资产 Admati（1985）含噪声的理性预期模型解释这一机制。当被抛售股票与关联企业的收益相关系数时，被抛售股票的价格下跌会通过均衡价格函数传导至关联企业股价。基金抛售还会提高供给方差、降低价格信号的信噪比，使流动性提供者要求更高补偿，因此产生流动性溢出。跨资产对冲同样可以引起价格溢出，但不能产生同样的流动性溢出，因此后者为区分投资者的信息推断与跨资产对冲提供了额外证据。

实证使用1996—2013年 CRSP 普通股、CRSP 基金净资产（TNA）和 Thomson S12持仓数据。基金抛售事件按基金季度资金流出超过 TNA 的5%识别，关联企业取 TNIC 文本相似度网络中最接近的10家公司。样本包含31,403个基金抛售事件和66,696个关联企业事件。

基金抛售发生季度，被抛售股票收益为 ?7.6%，关联企业股票为 ?1.5%，后者约为前者的五分之一；关联企业价格溢出在随后四个季度累计反转1.6%，支持非基本面冲击的解释。横截面上，小市值企业组的关联企业价格溢出为2.4%，大市值企业组为1.3%；非投资级组为投资级组的三倍以上；分析师覆盖较少组约为覆盖较多组的两倍；TNIC 相似度较高组约为较低组的三倍。

S&P 500指数纳入事件的安慰剂检验中，新纳入指数的股票收益为 +5.6%，其关联企业仅为 +0.5%且不显著，溢出不足指数纳入效应的10%；基金抛售情形中的相应比例约为20%。作者据此粗略推断，约一半基金抛售溢出源于投资者的信息推断，另一半源于跨资产对冲。流动性方面，被抛售股票买卖价差上升15—18bp，关联企业上升4.3bp，知情交易概率（PIN）上升约0.9个百分点。

这类非基本面共同波动会使历史协方差同时混入信息推断和流动性传染，短期风险估计可以结合关联企业网络、买卖价差和流动性状态加以补充。基金抛售效应在四个季度内出现反转，不适合作为长期定价因子。信息推断与跨资产对冲各占一半的说法来自两类事件的近似比较。

5.4

生产网络中的尾部风险

前述机制描述平均意义上的暴露与共同波动，Dew-Becker（2022）讨论的是极端冲击下的非线性传播。协方差描述局部、对称的平均共同波动，而投入互补或替代关系可能使大冲击的传播路径明显不同于正常时期。

模型采用嵌套 CES 生产网络：

将冲击写为“方向 × 幅度” ，并令，价格响应斜率（冲击幅度趋于极端时价格变动与冲击幅度之比）满足

当当、投入具有互补性时，价格由相对价格最高的投入品主导，负冲击可沿互补链向下游放大；当、投入可以替代时，价格由相对价格最低的投入品主导，负冲击的传播受到限制。极限情形下，每个部门只保留一条上游边，形成随冲击方向变化的“尾部网络”。尾部斜率取决于小于还是大于1，以及是否为零，而不取决于替代弹性大小和投入权重。

作者将部门尾部中心性定义为

当全部时，，对应部门到最终产出的平均下游距离（downstream closeness）。以2012年美国经济分析局（BEA）的379个部门校准后，电力的尾部中心性为0.4714，而销售份额仅为0.0324；卡车运输、法律服务、广告和会计分别为0.4578、0.4428、0.4404和0.4282。销售份额最高的医院，其尾部中心性仅为0.0652。按 Dew-Becker（2022）图3的截面口径，尾部中心性与 Domar 权重的相关系数仅为0.23；该文引言所称约60%与该图存在口径差异，本文采用该图的结果。

作者进一步提出条件性系统重要性（conditional granularity，字面意为“条件粒度”）的概念：一些部门在正常时期并不突出，却可能在极端冲击下成为风险传播的关键环节。在完全连接、对称的经济中，小冲击下 GDP 标准差为，但左尾有效波动率为，不随消失。分散化可以降低正常时期的部门特质风险，却未必能消除极端情形下由最弱环节主导的风险。

该研究说明，协方差无法描述由网络拓扑决定的极端损失。资产层面的应用可将部门尾部中心性映射为股票或组合的供应链暴露，并在方差分解之外报告尾部 beta、条件损失和压力情景。该文尚未建立部门尾部风险与资产定价之间的直接映射。

5.5

因子拥挤与策略脆弱性

MSCI（2018）的因子拥挤模型区分拥挤与容量。容量关注资本规模对长期预期收益和风险的影响，拥挤则关注危机中的交易行为与尾部事件，绝对资金规模不足以衡量拥挤程度。拥挤得分不产生新的横截面暴露，刻画的是正常时期波动较低、压力时期损失集中的交易结构。

模型使用五类方向一致的指标，标准化后取值越高表示拥挤程度越高：

·估值价差：因子多空两端在 B/P、Sales/P 与预测 E/P 上的估值差异；

·卖空余额差异（short interest spread）：因子第1与第5五分位融券利用率（做空股数占可融券股数的比例）之差，已控制规模、价值与动量的差异；

·两两相关：因子多空两端各自组合内，个股以特质收益计、与剔除该股自身后的五分位组合平均收益在63个交易日内的相关系数；

·因子波动：Barra USTMM 预测因子波动与预测市场波动之比；

·因子反转：过去36个月累计因子收益，用作反转风险的度量。

各指标在扩展窗口上进行时间序列标准化，再加权形成综合拥挤得分。美国市场样本覆盖1996—2017年，其中卖空数据从2007年开始。综合得分大于1的因子，未来12个月出现5%以上回撤的频率约为23%；综合得分小于 ?0.5时约为3%，前者约为后者的7.5倍。拥挤得分与未来收益和波动的相关性峰值多出现在7—12个月。2009年动量崩溃前综合拥挤得分已经回落，作者据此认为该次崩溃的主要驱动是拥挤之外的因素。

拥挤得分描述因子交易的脆弱性，可用于因子波动、回撤概率与压力测试。指标权重未披露，样本限于美国，回撤窗口存在重叠，预测相关性不支持因果解释；进入正式模型前需要独立的样本外检验。

5.6

不同风险机制的模型含义

五类机制按进入风险模型的方式归入三组（表4）：资金流 beta 与企业上游度形成可进入因子与暴露建模的横截面变量；关联企业网络与流动性指标用于补充事件窗口内的协方差；尾部中心性与拥挤得分对应压力情景下的损失评估。

这些机制分别源于中介激励、信息不对称、生产结构、非线性技术和交易行为。可定价的风险暴露可以进入因子与暴露模型，短期非基本面共同波动可用于补充协方差分析，网络尾部与拥挤则更适合通过专门指标和压力情景加以刻画。三组的差别体现在时间尺度上：横截面暴露以月度或季度频率体现于期望收益，信息溢出效应在事件后的数个季度内反转，尾部与拥挤则作用于压力情景。统一处理的前提是保留这些差异。

6、风险模型的层次结构与评价

前四章沿统计结构展开，第五章给出主链之外的机制。基于这些证据，本文将风险模型组织为一个分层的结构：因子识别、暴露建模与协方差估计构成主链，机制扩展与尾部扩展依附于主链，评价与诊断则形成返回各层的反馈。这一划分用于明确不同方法在风险估计中的作用，并不意味着所有应用都必须采用相同的模型组合。

6.1

层次结构

表5给出各层次的职责、代表方法与输出结果及其去向。主链三层对应的三个组成部分：因子识别确定的列，暴露建模给出的取值，协方差估计得到与并合成。前四章的文献按此顺序归入相应层次。

主链第一层决定因子集合，其难点在于区分“未通过增量定价检验”与“对风险估计没有价值”。稀疏检验与因子强度检验回答不同问题：前者判断新因子的边际贡献，后者判断广泛而微弱的暴露是否被降维遗漏。两者共同约束的维度选择。

主链第二层给出暴露矩阵。线性设定、非线性设定与潜因子设定对的函数形式作出不同假设。证据显示这些假设主要影响期望收益的刻画，对共同变动的解释能力影响有限，暴露设定的选择因此需要同时考察风险指标。

主链第三层将共同成分与残差合成为。静态与动态、稀疏与块对角、行业分组与图结构的差别，对应不同的数据频率和使用目的。对依赖的组合优化，残差结构的影响往往大于因子数量的影响。

机制扩展把第五章的横截面机制接入主链：资金流 beta 与企业上游度可作为候选因子或状态变量进入第一、第二层；关联企业网络与流动性指标则用于修正事件窗口内的协方差估计。这一扩展改变主链的输入，不构成独立的模型层。

尾部扩展处理主链结构未覆盖的部分。尾部中心性与拥挤得分不进入协方差分解，作为独立指标用于压力测试、风险预算和仓位约束，提示正常时期估计的风险水平在极端情景下偏低。

6.2

层次之间的关系与反馈

前向传递体现为设定的继承。因子集合决定暴露建模的维度；暴露设定又影响残差中尚未解释的共同成分，潜因子吸收较多共同变动后，残差可能更适合采用稀疏结构，仅使用少量可观测因子时，残差中则可能保留更多弱因子和行业相关。协方差估计在此基础上合成组合风险，网络暴露和尾部指标进一步补充压力情景下的传导关系。

反向诊断体现为残差与指标对上层设定的检验。残差中持续存在行业块或网络相关，说明暴露模型遗漏了相应结构，需要回到第二层补充暴露形式；尾部和拥挤指标恶化，则要求重新考察因子风险溢价与波动假设。风险模型因此需要依据残差诊断和样本外表现定期调整，单次估计结果不适合长期沿用。

误差传递决定了局部改进的评价方式。因子选择影响暴露与协方差估计，协方差误差通过影响组合权重，尾部误判则导致压力期风险预算不足。评价局部改进时，应考察其对最终风险预测和组合结果的净影响；前序估计的误差会进入后续环节。文献中的多数方法只优化其中一层，样本外效果取决于其他层的设定是否匹配。

6.3

任务对齐与评价维度

评价风险模型时，第一步是明确研究任务。定价与 SDF估计、协方差估计、动态协方差预测、尾部与压力测试对应不同的估计对象和判据（表6）。不同任务下的数字缺少可比性：切点组合 Sharpe 衡量定价模型对期望收益的排序，最小方差组合波动衡量协方差模型对风险结构的刻画，两者数值接近并不说明模型可以互换。

第二步是在同一任务内按四个维度比较（表7）。四个维度可能给出不同排序，模型选择需要在其中取舍。

同一任务内的结果也会出现分歧。IPCA 的总体低于 FF5，定价表现和参数数量更好；CA2的总体低于 IPCA，预测和部分组合指标更高；ePOET 的 MVP 标准差相对 POET 仅降低0.02个百分点，残差结构更清晰；AIPT 的样本外 Sharpe 为3.7，交易成本、容量和可投资性尚未检验。模型选择应依据使用目的在这些结果之间权衡。

6.4

对风险模型实践的启示

以下实施思路由前述文献归纳，证据主要来自美国市场。

1.分别检验增量定价贡献与风险刻画能力。新因子是否显著取决于控制集和检验方法；未被选入稀疏定价模型的因子，也可能在半强因子或局部组合风险中具有意义。因子筛选应同时保留统计依据和用途说明。

2.将暴露与残差结构联合考虑。强因子解释主要共同风险，半强因子补充局部暴露，潜因子捕捉可观测因子未覆盖的共同变动；DD、稀疏或块对角结构则用于改善残差及的估计。增加因子和约束残差应根据诊断结果选择。

3.使协方差结构匹配数据频率和预测期限。静态月度风险估计、日度已实现协方差预测与短期网络溢出对应不同方法。VHAR-LASSO 和 GHAR 若用于月度或长期风险预测，需要重新检验并调整。

4.补充资金流、流动性、供应链和拥挤指标。可分别监测基金资金流 beta 与持仓、关联企业网络与买卖价差、供应链上游度与尾部中心性，并明确这些指标用于暴露估计、协方差补充还是压力测试。

5.在方差分解之外开展尾部压力测试。极端情景分析需要与常态风险估计分开进行。尾部中心性、拥挤得分与具体冲击情景可以共同用于评估关键供应链中断或因子集中平仓时的潜在损失。

6.将模型不确定性纳入风险管理。稀疏与稠密、线性与非线性、因子与网络模型各有适用条件。可结合多模型组合或贝叶斯模型平均，并通过持续样本外检验、参数敏感性分析和压力测试控制单一模型误设的影响。

7、结论

本文比较的14篇文献表明，风险模型的讨论范围可由因子集合扩展至因子强度、条件暴露、残差协方差和风险传导机制。在主链上，增量定价检验与因子强度检验约束因子集合的确定，条件暴露模型给出暴露矩阵的函数形式，协方差结构的选择决定的精度与组合权重；三者的结果共同表明，定价能力的改善不等同于风险刻画能力的改善。

主链之外，资金流 beta 与企业上游度形成可进入因子与暴露建模的横截面变量，信息溢出与流动性传染补充事件窗口内的协方差，生产网络尾部与因子拥挤则刻画压力情景下的损失放大。这些机制的差别在于时间尺度与传导路径，因此对应不同的模型位置，处理方法也需分别设计。

评价方面，不同任务对应不同的估计对象与判据，四个评价维度只在同一任务内可比。风险模型的改进依赖残差诊断与样本外表现的持续反馈，单次设定难以长期维持。

实际使用时，可以先确定因子与暴露结构，再依据残差诊断选择协方差约束，随后按数据条件加入网络与尾部信息，最后通过同口径的样本外检验和压力测试形成反馈。现有多数结果来自美国市场，样本、成本与投资约束各不相同；方法进入实际组合前需要同口径的样本外比较与压力测试。

附录：补充公式与估计细节

1、IPCA 的交替最小二乘估计

给定时，潜因子由特征组合的加权最小二乘给出；给定时，由堆叠的横截面回归估计，两步交替迭代至收敛

2、条件自编码器的暴露网络递推

特征经个隐藏层逐层变换，暴露由最后一层隐藏层的仿射函数给出：

其中，为 ReLU 激活函数。CA1的隐藏层为32个神经元，CA2为32与16个，CA3为32、16与8个；单层线性设定（CA0）等价于 IPCA。

3、EF-DD 的 DD-PCA 交替投影

残差协方差矩阵的分解通过交替投影求解：固定时对取前个特征成分得到；固定时在对角占优约束集上投影得到。迭代至收敛后得到：

说明：本文基于上述14篇文献撰写，关键数字沿用原报告的原文核对结果，图表出处见文内标注。文中分析不构成投资建议。

参考文献

以下列出本文重点讨论的14篇文献。文中提及的 Ross（1976）、Onatski（2010）、Admati（1985）、Bai-Ng、Jensen-Kelly-Pedersen（2023）等为原文引用的相关文献，不在此单独展开。

1. Feng, G., Giglio, S., & Xiu, D. (2020). Taming the Factor Zoo: A Test of New Factors. Journal of Finance, 75(3), 1327–1370. DOI: 10.1111/jofi.12883.

2. Didisheim, A., Ke, S. B., Kelly, B., & Malamud, S. (2024, revised August 2025). APT or "AIPT"? The Surprising Dominance of Large Factor Models. NBER Working Paper No. 33012.

3. Connor, G., & Korajczyk, R. A. (2022). Semi-strong Factors in Asset Returns. Working Paper, forthcoming in Journal of Financial Econometrics. DOI: 10.1093/jjfinec/nbac028.

4. Kelly, B., Pruitt, S., & Su, Y. (2019). Characteristics Are Covariances: A Unified Model of Risk and Return. Journal of Financial Economics, 134(3), 501–524.

5. Gu, S., Kelly, B., & Xiu, D. (2021). Autoencoder Asset Pricing Models. Journal of Econometrics, 222(1), 429–450.

6. Shi, F., Shu, L., & Gu, X. (2024). An Enhanced Factor Model for Portfolio Selection in High Dimensions. Journal of Financial Econometrics, 22(1), 94–118.

7. Dai, R., Uematsu, Y., & Matsuda, Y. (2022). Estimation of Large Covariance Matrices with Mixed Factor Structures. Tohoku University, Center for Data Science and Service Research, Discussion PaperNo. 130.

8. Alves, R. P., de Brito, D. S., Medeiros, M. C., & Ribeiro, R. M. (2024). Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage. Journal of Financial Econometrics, 22(3); working paper arXiv:2303.16151.

9. Zhang, C., Pu, X., Cucuringu, M., & Dong, X. (2024). Graph-based Methods for Forecasting Realized Covariances. Journal of Financial Econometrics, advance article. DOI: 10.1093/jjfinec/nbae026.

10. Dou, W. W., Kogan, L., & Wu, W. (2024). Common Fund Flows: Flow Hedging and Factor Pricing. Journal of Finance, forthcoming; working paper dated December 30, 2023.

11. Honkanen, P., & Schmidt, D. (2022). Learning from Noise? Price and Liquidity Spillovers around Mutual Fund Fire Sales. Review of Asset Pricing Studies, 12(2).

12. Gofman, M., Segal, G., & Wu, Y. (2020). Production Networks and Stock Returns: The Role of Vertical Creative Destruction. Review of Financial Studies, 33(12), 5856–5905.

13. Dew-Becker, I. (2022). Tail Risk in Production Networks. NBER Working Paper No. 30479.

14. Bonne, G., Roisenberg, L., Kouzmenko, R., & Zangari, P. (2018). MSCI Integrated Factor Crowding Model: Assessing Crowding Risks in Equity Factor Strategies. MSCI Model Insight, June 2018.

风险提示：本文为文献综述，不构成投资建议。结论依赖原文样本区间与市场环境，历史规律可能失效；因子模型存在设定误差、估计误差与结构性变化风险；文献证据主要来自美国市场，中国市场适用性需单独检验。

海外文献推荐系列第一百九十七篇：资产配置中的分布不确定性：从情景生成、观点融合到分布鲁棒优化

海外文献推荐系列第一百九十六篇：被动投资学术文献综述

海外文献推荐系列第一百九十四篇：目标日期基金：下滑路径再审视

海外文献推荐系列第一百九十三篇：因子拥挤的形成机制、度量体系与风险含义

海外文献推荐系列第一百九十期：风格轮动如何系统化：从因子动量、资金流到组合落地

海外文献推荐系列第一百八十九期：智能体与深度学习：因子投资发展双范式

海外文献推荐系列第一百八十八期：两世纪以来的防御性策略研究

海外文献推荐系列第一百八十七期：中国共同基金市场的羊群效应及表现研究

海外文献推荐系列第一百八十六期：市场日内动力及对冲需求对其影响研究？

海外文献推荐系列第一百八十五期：指数投资对美国债券市场有何影响？

海外文献推荐系列第一百八十三期：交易、报价与（无偏）信息份额