目錄
爲什麼在乎阿爾法？
阿爾法是投資組合的屬性，其定義是，將該投資組合相對於無風險利率的超額收益（excess return）基於某個基準定價模型進行迴歸，得到的截距項就是阿爾法。所以，阿爾法是在該定價模型下，模型對投資組合的收益無法解釋的部分，因此，阿爾法意味着該投資組合相對於基準定價模型風險調整後的特有收益，這部分特有收益代表着投資組合對應的策略的獨特盈利能力。換句話說，通過基準定價模型，我們將投資組合的收益分解成了阿爾法收益和貝塔收益（貝塔收益就是投資組合由於承擔了基準定價模型中那些風險因子的系統性風險而獲得的收益），貝塔收益是承擔公開的系統性風險所得，可以認爲其是經風險調整後的市場部分收益，而阿爾法收益則是剔除了這部分由於承擔系統性風險所得收益後的策略特有收益，因此，阿爾法越高，越說明該投資組合戰勝了市場，且由於阿爾法收益的特有性，阿爾法也代表着策略的核心特有盈利能力，這部分代表了策略的核心競爭力，這就是爲什麼在乎阿爾法的主要原因。
基準定價模型
上節中，我們說到阿爾法的大小是依賴於具體的基準定價模型的，不同的基準定價模型往往會得到不同的阿爾法。現在主流的定價模型是多因子定價模型，根據資產定價理論，均衡狀態下，只有資產的系統性風險纔會被定價，非系統性風險會在均衡狀態下被對衝掉，所以不會被定價。因此，對於多因子定價模型，理論上，風險因子應該都是系統性風險因子。
對於基準定價模型，最初的是CAPM，即只有一個市場風險因子；後來在多因子模型理論的基礎上，陸續的加入了市值、價值、動量等其他的風險因子，形成了多因子定價模型。在學術界，總體上比較公認有效的系統風險因子是市值、價值、價格動量這些，還有企業質量等。但是在業界，其實因子多種多樣，只要可以提高預測性，獲得增量解釋，對於提高策略收益有幫助，都有可能被加入到模型當中。但是對於基準模型，顯然是需要使用公認有效的系統風險因子。一般情況下，現在對於市場、規模、價值、動量、質量這些因子的爭議較小，在做學術研究時，當企圖提出一個新的因子，需要充分考慮到對於現有的因子模型的增量貢獻，當然更重要的還有因子背後的邏輯。但是我們平常更多的聽到的阿爾法，其實是基於CAPM的，即只有一個市場因子。這一方面可能是因爲投資者往往更重視跟市場因子的比較，一方面是受CAPM的影響，因爲CAPM曾經的影響的確很大，還有一方面可能是因爲簡單，畢竟市場因子收益極容易獲取，其他因子收益的構造則相對複雜一些。
一個合理有效的多因子定價模型對於投資組合的風險管理和收益預測都是具有重要價值和意義的。多因子定價模型無論是在學術界還是業界，都具有重要的地位，其也在不斷的發展，很多研究者都在試圖找到新的有效的系統性風險因子，只是金融資產的相關性往往較高，在現有的多因子框架下，要找到新的具有增量解釋和合理邏輯的系統性風險因子的難度並不低，而且也會越來越難。
阿爾法的來源：風險還是錯誤定價？
當某個策略獲得了顯著的阿爾法收益，那麼這個阿爾法收益的可能來源有兩個，一個是來源於風險，一個是來源於錯誤定價。我們希望可以弄清楚這個阿爾法的來源到底是風險，還是錯誤定價；因爲如果其是來源於風險，那麼阿爾法收益其實只是因爲承擔了額外的風險而產生的風險溢價，這本質上就和其他的系統性風險因子帶來的貝塔收益沒有區別了；我們更想要的自然是希望阿爾法是來源於錯誤定價，因爲來源於錯誤定價的阿爾法是一種套利行爲，沒有風險或者說風險很小。搞清楚阿爾法的來源以及其背後的邏輯，對於實盤策略來說是很重要的，我們當然不希望實盤策略是一個黑箱，這是相當危險的，而是希望明白阿爾法的邏輯，以可以在遇到較大波動時可以正確的及時對策略做出調整。
那麼該如何區分阿爾法是來源於風險還是錯誤定價呢？
一、如果我們認爲基準模型設定是正確的，即我們已經充分考慮了所有的系統性風險因子且模型符合線性設定，那麼在基準模型跑時序迴歸後，如果還有顯著的阿爾法，則該阿爾法來源於錯誤定價。因爲在控制了所有的系統性風險因子之後，那麼阿爾法來源便只能是錯誤定價了。但是現實並沒有這麼簡單，這種方法實際是不太可行的，因爲我們很難確定某個模型就是正確的，更無法確定是否在模型中考慮了所有的系統風險因子，這個前提不滿足，後續的邏輯就不成立。
二、如果阿爾法來自於風險，該策略信號對應的因子便作爲一個風險因子加入到基準模型中後，本質上不同股票的定價是由各自的因子暴露度貝塔所決定的，因此，貝塔相比於信號本身具有更強的預測能力，這裏的更強體現在，在貝塔和信號本身上做截面迴歸後，得到的係數更加的顯著，且係數值更接近因子收益均值（因爲係數實際上就是因子風險溢價）。但是這種方法存在的問題和Fama-MecBeth方法中存在的一樣，由於市場short的限制，理論多空組合模擬出來的收益和實際因子收益可能差距較大，從而結果容易失真。
三、通過邏輯分析，分析該信號帶來的阿爾法收益可能是源於風險還是錯誤定價，然後再通過對其他分支邏輯進行檢驗。
這裏要注意的是，對於第二點，利用Fama-MecBeth的方法，通過兩階段迴歸，第一階段獲取策略信號對應的因子收益的風險荷載貝塔，然後再通過截面迴歸，通過滾動窗口多次進行類似迴歸，得到多個估計的因子風險溢價，最後看該估計得到的風險溢價是否顯著，如果顯著，則說明該因子的風險是被定價了的，但是問題在於，該信號本身的風險被定價，邏輯上似乎並無法說明該信號本身的收益是來自於風險的，即無法說明該阿爾法是來自於風險的。第二點中，通過對信號本身的橫截面迴歸進行收益預測，進行有效信號篩選，其實就是Barra方法，這是業界常用的方法。Barra中使用信號本身，而不是貝塔，有諸多好處，主要在於信號本身數據即時性較強，可以充分反映資產本身的特性和變化。