每只资产均有一个预测

P268 每只资产均有一个预测/每只资产均有一个预测.md

@@ -0,0 +1,162 @@
+### 核心假设
+
+考虑一个包含 \( N \) 个资产的投资。关键假设是，我们拥有恰好 \( N \) 个预测信号，且**每一个资产 \( n \) 都对应一个独一无二的预测信号 \( g_n \)**。即资产与信号的数量相等，\( K = N \)。
+
+为了进行数学推导，我们建立两个核心假设：
+
+1.  **统一的预测能力**：每个信号的预测能力是相同的，由一个共同的信息系数 \( IC \) 衡量。具体地，每个信号 \( g_n \) 与其对应资产收益率 \( r_n \) 的协方差为：
+    
+\[
+    Cov\{r_n, g_n\} = IC \cdot \omega_n \cdot Std_{TS} \{g_n\}
+\]
+
+这个公式将预测信号 \( g_n \) 预测资产收益率 \( r_n \) 的能力，分解为三个部分的乘积：
+
+- **\( IC \) (信息系数)**：这是一个**无量纲**的标量，衡量的是预测的**质量**或**技能**。在理想情况下，它被定义为预测信号 \( g_n \) 与实现收益率 \( r_n \) 的**相关系数**：
+  
+\[
+  IC = Corr(r_n, g_n)
+  \]
+  模型的关键假设是，这个相关系数对于所有资产对的信号都是相同的。
+
+- **\( \omega_n \) (资产风险)**：这是资产 \( n \) 的收益率 \( r_n \) 的**标准差**。它代表了该资产固有的、整体的不确定性或波动性。
+
+- **\( Std_{TS} \{g_n\} \) (信号波动性)**：这是预测信号 \( g_n \) 在时间序列上的**标准差**。它衡量了这个信号本身的波动程度。
+
+
+根据定义，资产收益率 \( r_n \) 和其信号 \( g_n \) 的**相关系数** \( \rho_{r_n, g_n} \) 为：
+
+\[
+\rho_{r_n, g_n} = Corr(r_n, g_n) = \frac{Cov(r_n, g_n)}{Std(r_n) \cdot Std(g_n)}
+\]
+
+1.  这个相关系数就是**信息系数 \( IC \)**。
+2.  资产收益率 \( r_n \) 的标准差 \( Std(r_n) \) 就是其**固有风险 \( \omega_n \)**。
+3.  信号 \( g_n \) 的标准差 \( Std(g_n) \) 就是 \( Std_{TS} \{g_n\} \)。
+
+将这些假设代入相关系数的定义式：
+
+\[
+IC = \frac{Cov(r_n, g_n)}{\omega_n \cdot Std_{TS} \{g_n\}}
+\]
+
+将这个等式变形：
+
+\[
+Cov(r_n, g_n) = IC \cdot \omega_n \cdot Std_{TS} \{g_n\}
+\]
+
+
+2.  **信号相关性主导的交叉影响**：一个资产的收益率与另一个资产的信号之间的协方差，完全由这两个信号之间的相关性所驱动。具体地：
+    
+\[
+    Cov\{r_n, g_m\} = IC \cdot \omega_n \cdot \rho_{nm} \cdot Std_{TS} \{g_m\}
+    \]
+
+其中 \( \rho_{nm} \) 是信号 \( g_n \) 与 \( g_m \) 之间的相关系数。这个假设是模型可解的关键，它意味着资产收益的交叉相关性是通过信号关联来传递的。
+
+---
+
+### 矩阵形式表述
+
+
+理解矩阵的维度与含义
+
+- \( \mathbf{r} \)： \( N \times 1 \) 向量，代表 N 个资产的收益率。
+- \( \mathbf{g} \)： \( N \times 1 \) 向量，代表 N 个预测信号（每个资产对应一个）。
+- \( Cov\{\mathbf{r}, \mathbf{g}\} \)： 是一个 \( N \times N \) 的矩阵，它描述了所有资产收益率与所有信号之间的协方差。这个矩阵的 \( (n, m) \) 元素是 \( Cov(r_n, g_m) \)。
+
+现在，我们来看等式右边的四个矩阵：
+
+1.  \( IC \)： 一个**标量**。代表所有信号共享的、统一的信息系数。
+2.  \( \mathbf{\Omega} \)： 一个 \( N \times N \) 的**对角矩阵**。对角线上的第 \( n \) 个元素是资产 \( n \) 的收益率标准差 \( \omega_n \)，非对角元素为 0。即 \( \mathbf{\Omega} = diag(\omega_1, \omega_2, ..., \omega_N) \)。
+3.  \( \mathbf{P} \)： 一个 \( N \times N \) 的矩阵。代表所有**信号之间**的相关系数矩阵。其 \( (n, m) \) 元素是 \( \rho_{nm} = Corr(g_n, g_m) \)。
+4.  \( \mathbf{Std} \)： 一个 \( N \times N \) 的**对角矩阵**。对角线上的第 \( n \) 个元素是信号 \( g_n \) 的标准差 \( Std_{TS}\{g_n\} \)，非对角元素为 0。即 \( \mathbf{Std} = diag(\sigma_{g1}, \sigma_{g2}, ..., \sigma_{gN}) \)。
+
+
+
+计算 \( IC \cdot \mathbf{\Omega} \cdot \mathbf{P} \cdot \mathbf{Std} \) 这个矩阵乘积的 \( (n, m) \) 元素：
+
+1.  \( \mathbf{\Omega} \cdot \mathbf{P} \)： 一个 \( N \times N \) 矩阵。由于 \( \mathbf{\Omega} \) 是对角矩阵，这个乘法的效果是**将 \( \mathbf{P} \) 的第 \( n \) 行（代表信号 \( g_n \) 与其他所有信号的相关性）的每一个元素都乘以资产 \( n \) 的风险 \( \omega_n \)**。所以，\( (\mathbf{\Omega} \cdot \mathbf{P})_{n, m} = \omega_n \cdot \rho_{nm} \)。
+
+2.  \( (\mathbf{\Omega} \cdot \mathbf{P}) \cdot \mathbf{Std} \)： 再用这个结果右乘对角矩阵 \( \mathbf{Std} \)。其效果是**将结果的第 \( m \) 列的每一个元素都乘以信号 \( g_m \) 的标准差 \( \sigma_{gm} \)**。所以，最终这个乘积矩阵的 \( (n, m) \) 元素是：
+
+    \[
+    (IC \cdot \mathbf{\Omega} \cdot \mathbf{P} \cdot \mathbf{Std})_{n,m} = IC \cdot (\omega_n \cdot \rho_{nm}) \cdot \sigma_{gm} = IC \cdot \omega_n \cdot \rho_{nm} \cdot Std_{TS}\{g_m\}
+    \]
+
+而这，恰恰就是我们对 \( Cov\{r_n, g_m\} \) 的假设！
+
+
+由此可得矩阵形式为：
+
+1.  收益率向量 \( \mathbf{r} \) 与信号向量 \( \mathbf{g} \) 的协方差矩阵为：
+    
+\[
+    Cov\{\mathbf{r}, \mathbf{g}\} = IC \cdot \mathbf{\Omega} \cdot \mathbf{P} \cdot \mathbf{Std}
+    \]
+
+2.  信号向量 \( \mathbf{g} \) 本身的方差-协方差矩阵为：
+    
+\[
+    Var\{\mathbf{g}\} = \mathbf{Std} \cdot \mathbf{P} \cdot \mathbf{Std}
+    \]
+
+---
+
+**公式 (11-1)** 描述的是在给定预测信号 **g** 的条件下，资产收益率向量 **r** 的**条件期望**：
+  
+\[
+  E[\mathbf{r}|\mathbf{g}] = E[\mathbf{r}] + Cov[\mathbf{r}, \mathbf{g}] \cdot Var^{-1}[\mathbf{g}] \cdot (\mathbf{g} - E[\mathbf{g}])
+  \]
+  这是一个关于**收益率**的公式。
+
+
+
+**目标**：从阿尔法向量的通用公式出发，在“每只资产一个信号” (\(K=N\)) 的特定假设下，推导出简洁的标量形式 \(\phi_n = \omega_n \cdot IC \cdot z_{TS,n}\)。
+
+**证明**：
+
+1.  **起点（阿尔法向量的通用公式）**：
+    
+\[
+    \mathbf{\phi} = Cov[\mathbf{r}, \mathbf{g}] \cdot Var^{-1}[\mathbf{g}] \cdot (\mathbf{g} - E[\mathbf{g}])
+    \]
+此处的 \( \mathbf{\phi} \) 即为阿尔法向量，其分量 \( \phi_n \) 可被视为资产 n 的风险调整后预期超额收益。
+
+2.  **代入模型假设**：
+    我们代入技术附录中建立的矩阵形式假设：
+    - \( Cov[\mathbf{r}, \mathbf{g}] = IC \cdot \mathbf{\Omega} \cdot \mathbf{P} \cdot \mathbf{Std} \)
+    - \( Var[\mathbf{g}] = \mathbf{Std} \cdot \mathbf{P} \cdot \mathbf{Std} \)
+
+    代入后得到：
+    
+\[
+    \mathbf{\phi} = (IC \cdot \mathbf{\Omega} \cdot \mathbf{P} \cdot \mathbf{Std}) \cdot (\mathbf{Std} \cdot \mathbf{P} \cdot \mathbf{Std})^{-1} \cdot (\mathbf{g} - E[\mathbf{g}])
+    \]
+
+3.  **矩阵简化**：
+    接下来的简化步骤与我之前所述一致，但请注意，这里的起点是 \( \mathbf{\phi} \)，而不是 \( E[\mathbf{r}|\mathbf{g}] \)。
+    
+\[
+    \begin{aligned}
+    \mathbf{\phi} &= IC \cdot \mathbf{\Omega} \cdot \mathbf{P} \cdot \mathbf{Std} \cdot \mathbf{Std}^{-1} \cdot \mathbf{P}^{-1} \cdot \mathbf{Std}^{-1} \cdot (\mathbf{g} - E[\mathbf{g}]) \\
+    &= IC \cdot \mathbf{\Omega} \cdot \mathbf{P} \cdot \mathbf{P}^{-1} \cdot \mathbf{Std}^{-1} \cdot (\mathbf{g} - E[\mathbf{g}]) \\
+    &= IC \cdot \mathbf{\Omega} \cdot \mathbf{I} \cdot \mathbf{Std}^{-1} \cdot (\mathbf{g} - E[\mathbf{g}]) \\
+    &= IC \cdot \mathbf{\Omega} \cdot \mathbf{Std}^{-1} \cdot (\mathbf{g} - E[\mathbf{g}])
+    \end{aligned}
+    \]
+这里，**信号相关性矩阵 \( \mathbf{P} \) 再次被抵消**。
+
+4.  **得到最终向量与标量形式**：
+    上述公式就是技术附录中推导出的向量形式结果。将其写成分量形式：
+    
+\[
+    \phi_n = IC \cdot \omega_n \cdot \left( \frac{g_n - E[g_n]}{Std[g_n]} \right)
+    \]
+这正是文本中的公式 **(11-2)**：
+    
+\[
+\phi_n = \omega_n \cdot IC \cdot z_{TS,n}
+\]
+其中 \( z_{TS,n} = \frac{g_n - E[g_n]}{Std[g_n]} \) 正是信号 \( g_n \) 的标准化分数（Z-Score）。