多重變數的噪音與訊號：如何構建穩健的多因子定價模型

在量化投資與演算法交易的世界裡，尋找能解釋資產報酬的因子（Factor）始終是核心命題。市場上充斥著一種直覺式的迷思：若單一變數無法精準預測市場，那麼將總體經濟指標、基本面數據與技術面訊號全數丟入模型中，預測能力必定提升。這種「參數越多越好」的擴張邏輯，催生了無數看似完美的迴測（Backtest）曲線。然而，這些在歷史數據中表現優異的複雜模型，一旦進入實盤（Live Trading），往往迅速崩潰。

這背後的本質矛盾在於：擴充解釋變數確實能機械性地提高模型對歷史的擬合程度，但這不等於提升了對未來的預測力。 當我們跨入多元迴歸（Multiple Regression）的領域，模型的維度增加帶來了資訊，卻也同時引入了雜訊與共線性風險。

多元迴歸的本質不是無限制地堆疊變數，而是透過嚴謹的統計檢定與懲罰機制，篩選出具備獨立解釋能力的真正因子。單純依賴決定係數（Coefficient of Determination）來評估多變數模型，將導致嚴重的過度擬合（Overfitting）；真正的競爭壁壘在於理解變數間的邊際貢獻，並運用聯合假設檢定（Joint Hypothesis Tests）來界定模型的有效邊界。

多元迴歸模型將單一變數的線性框架擴展至多個獨立變數（Independent Variables）。其數學表達式為：

在多變數環境下，斜率係數（Slope Coefficient）被稱為偏斜率係數（Partial Slope Coefficients）。其物理意義為：在保持其他所有變數不變（Holding other independent variables constant）的條件下，單一變數 $X$ 變動一單位對應變數 $Y$ 的預期變化。

然而，要確保普通最小平方法（Ordinary Least Squares, OLS）的估計具備有效性，多元迴歸必須建立在嚴格的假設之上。除了單一迴歸的誤差項期望值為零、變異數同質性（Homoskedasticity）等條件外，多元迴歸引入了最關鍵的第六項假設：解釋變數之間不存在完全共線性（No Perfect Multicollinearity）。

若變數間存在完全線性相依，模型將無法分離個別變數的獨立貢獻。這揭示了第一性原理：市場中的有效資訊必須是正交的（Orthogonal），重複的資訊無法創造額外的價值。

在傳統視角中，決定係數 $R^2$ 是衡量模型配適度（Goodness-of-Fit）的黃金標準：

其中 $ESS$ 為解釋變異數（Explained Sum of Squares），$TSS$ 為總變異數（Total Sum of Squares）。

看似完美的假說在實證環境中迅速失效：只要在模型中加入任何新的獨立變數，無論該變數是否具有統計顯著性，$R^2$ 幾乎必定會上升。 這種數學必然性導致了「模型過度估計」（Overestimating the regression）的陷阱。量化策略工廠若僅以 $R^2$ 作為優化目標，最終將產出充滿雜訊的偽預測模型。

為解決此問題，統計學引入了調整後決定係數（Adjusted $R^2$），強制對模型複雜度進行邊際成本（Marginal Cost）的懲罰：

當新加入的變數無法提供足夠的邊際解釋力來抵消自由度（Degrees of Freedom）的損失時，調整後 $R^2$ 不增反降。這清晰地劃定了模型的邊界：資訊的增加必須超過維度擴張帶來的懲罰，否則增加參數就是規模不經濟（Diseconomies of Scale）。

面對複雜的多元變數模型，單一變數的 t 檢定（t-test）已不足以評估整體架構的有效性。這不是單純計算工具的升級，而是檢驗維度擴張是否符合統計定律的嚴謹過程。

為比較完整模型（Full Model）與移除部分變數的縮減模型（Partial Model），我們必須依賴 F 檢定（F-Test）。F 檢定的本質在於衡量「新增變數所減少的殘差變異」是否具有統計顯著意義：

針對模型整體的有效性（測試所有斜率係數是否同時為零），F 統計量則簡化為：

若計算出的 F 統計量大於臨界值（Critical Value），我們才能拒絕虛無假說（Null Hypothesis），確認這組因子確實為解釋變數的變異提供了有意義的貢獻。工具的升級（引入更多資料庫或運算力）並未撼動檢定的底層邏輯：沒有通過嚴格聯合檢定的變數群，終究只是隨機漫步中的雜訊。

將無數變數塞入多元迴歸模型，看似掌握了市場的全局，實則往往陷入了維度的詛咒。模型評估的標準，從來就不是不斷膨脹的 $R^2$，而是通過 F 檢定與調整後 $R^2$ 考驗下的真實邊際貢獻。

在量化模型的構建中，所有未能提供獨立資訊的冗餘變數，最終的結局都是在實盤中被市場無情清算。真正的預測力，永遠建立在嚴謹的邏輯刪減與對第一性原理的敬畏之上。