预测并非越细越好：量化投资中估计误差、最优分组与组合粒度

一个机器学习模型能输出每只股票的收益预测，组合经理接下来要面对的问题是：这些预测应该全部使用吗？是直接对每只股票估计均值和协方差，还是只做十分组？如果信号很弱，十分组是否仍然合理？

常见回答有两个极端。学术上倾向于收缩：保留所有维度，但把估计结果向稳定目标压缩。实务中则倾向于粗化：分组、倾斜、等权，主动减少使用预测的细节。真正合理的粒度应当取决于预测质量，而不是事先固定。

这项研究把等权、十分组、参数倾斜、最小方差和常见收缩规则放进同一个“粒度网格”，并给出一条直观原则：每多使用一个预测或协方差维度，都要付出估计误差成本。信号不足时，少就是多；预测没有排序能力时，规则应退回等权。

研究结果尤其适合纠正一种惯性：模型越复杂，不代表组合就应该越复杂。一个高质量预测模型，也可能最适合只分成四组。

一、组合选择中的三个维度：交易什么、相信多少、放多大

粒度并不只是分组数。研究把组合拆成三个相互独立的选择：

• 作用空间：实际交易哪些基础组合，决定协方差在多少维空间估计；
• 预测压缩：在选定的空间里保留多少预测信息，决定使用多少维收益信号；
• 仓位长度：最终把方向性组合放大或缩小多少。

如果直接对 $N$ 只股票使用全部样本均值和样本协方差，作用空间和预测维度都接近 $N$。如果只交易一个等权组合，两个维度都缩到很低。十分组则介于两者之间：先用预测排序，再在少数组上使用信息。

这个分解解释了一个常见误区：预测模型和组合模型可以分别复杂。模型可能使用数百个特征，但最终组合只需要识别少数稳定的收益方向。把所有预测点值原样送进优化器，不一定比少数稳健分组更好。

二、每个使用维度都有价格

组合损失可以概括为三部分。粗化会减少第三类和第二类成本，但会增加第一类成本。保留全部细节则相反。

在相应假设下，每多使用一个预测维度，噪声价格与历史观测数 $T$ 相关。它可以理解为估计夏普比率的方差量级，而不是对所有市场都成立的交易成本常数。

这意味着，一个维度是否值得保留，不应只看它在样本内有没有解释力，还要看它提供的真实信号能否超过估计噪声。弱信号通过更多维度进入组合，可能只是让优化器更精确地拟合历史噪音。

协方差也有类似问题。若只交易 $K$ 个基础组合，协方差估计就从 $N$ 维降为 $K$ 维。随着 $K$ 降低，矩阵求逆带来的误差通常会减弱，但被舍弃的方向也可能包含有效信号。

三、常见组合规则都在同一个网格上

常见组合规则的作用空间、预测压缩和仓位长度；重点看多数规则的维度事先固定，只有自适应规则根据预测质量改变分组数。

直接代入（Plug-in）组合在全部资产上使用全部均值和协方差，保留维度最多，也最容易受到估计误差影响。

最小方差不使用收益预测，主要压缩收益均值环节，但仍需处理高维协方差。

等权只交易一个平均组合，放弃预测方向，换取最低估计需求。

十分组用预测排序，但固定分组数，预测强弱不会改变结构。参数倾斜在等权基准上增加一个方向，结构更简单，却也固定了使用预测的方式。

排序分组（Rank tiers）使用多个排序组，但组数通常由研究者预设。它们都占据网格上的一个固定点，没有回答“当前预测究竟值得使用多少维”。

四、最优分组数为什么出现三次方

先看一个教学化简。设分组过少时，组内信号损失随组数减少而增加；分组过多时，估计噪声随组数增加而扩大。对总损失求导并令导数为零，可以得到一个直观的解。

课程｜算法与数据结构全面精讲：从基础到进阶 一线大厂核心算法深度解析与实战指南，系统讲解算法与数据结构核心知识，覆盖从基础结构到动态规划、图论、搜索与排序等高级算法，并通过一线互联网公司面试真题深度剖析，帮助学习者掌握算法设计与分析思想。

所以，最优分组数随“信号／噪声”比值以三次方根增长，而不是线性增长。信号稍强时，合理分组数通常不需要增加很多；噪声稍弱时，也不应立即切成很多组。

研究给出的可计算规则具有相同直觉。公式涉及资产数 $N$、历史月数 $T$ 以及预测与下一期收益之间的滚动秩相关 $\rho$。若 $\rho$ 接近零，直接使用一个组，即等权。

例如取一组典型的参数值，连续最优值约为四组，而不是机械地使用十组。若严格执行离散候选网格，3.92 距离 3 比距离 5 更近，因此实际取 3。论文讨论中的“约四组”与离散候选网格属于不同精度口径，复现时应明确记录。实际实现中，研究把估计值舍入到上述候选，并用历史样本估计 $\rho$，避免使用持有期之后才出现的信息。

理论推导还区分了使用阶梯形分组均值与拟合一条直线的情形。两者的最优分组数不必完全相同，后者涉及协方差估计和可交易信号分解。实务公式采用较容易测量的 $\rho$，部分原因是对比两个夏普比率更难精确估计。这里不能把某个闭式最优解当作任何资产池都成立的普遍定律。

五、从预测排名到组合权重：六步流程

自适应规则可以拆成六步。

第一步，按当期预测对 $N$ 个资产排序。这里使用的是排名，而不是预测点值的绝对大小。

第二步，用滚动秩相关估计预测质量，并按公式确定分组数。没有排序能力时只有一个组。

第三步，为每个历史月份重建当时的分组，并计算各组等权收益。不能拿当前成分倒填历史，否则过去的高收益组会被事后选择，产生前视偏差。

第四步，在组均值上对组排名拟合一条直线。这样预测端只使用截距和斜率所代表的低维信息，而不是自由使用每组一个独立预测值。

第五步，在组空间估计协方差并求组合权重。若 $H$ 是资产到组的映射，$\Sigma_G$ 是组协方差，$P_\ell$ 表示直线压缩，权重可写作：

其中 $q$ 表示经过直线压缩后的组级预测。实际实现中还需对权重做归一化和缩放处理。

第六步，用可行缩放控制最终仓位长度，或者改为波动率目标。缩放改变大小，不改变组内和组间的基本方向。

当信号趋近于零时，规则只剩一个等权组合，自然退化为 $1/N$。这一点很重要：等权不是模型失败后的无奈选择，而是低信息状态下的最优候选之一。

六、实证：固定十分组在弱预测上付出更大代价

实证覆盖 1989—2023 年，每年末从大型美国股票中重新抽取 100 只，平均 100 次抽样。比较历史均值、动量、双特征组合、十五特征组合、偏最小二乘和机器学习六种预测。其中偏最小二乘与机器学习的组合构建涉及高维特征与降维技术，课程会系统讲解相关模型评估与集成方法，适合延伸学习。

不同预测质量下，自适应规则、固定十分组和参数倾斜的样本外夏普；表注同时标明结果仍属初步，置信区间和消融检验留待后续。

主要数值如下：

预测方式	自适应规则	固定十分组	参数倾斜
历史均值	0.57	-0.12	0.33
动量	0.58	0.09	0.41
双特征组合	0.62	0.24	0.46
十五特征组合	0.73	0.29	0.55
偏最小二乘	0.92	0.59	0.88
机器学习	1.22	0.99	1.23

等权基准的夏普约为 0.56，直接代入组合接近零。固定十分组在历史均值和动量等弱预测上表现较差，说明把弱信号强行切成十份，会放大估计噪声。

随着预测质量提高，自适应规则的表现改善，但机器学习预测下参数倾斜为 1.23，略高于自适应规则的 1.22。因此，研究并不证明自适应规则在所有情况下都最优，而是说明固定粒度会在不同预测质量下产生不同代价。

这组结果也提示一个实际检查方法：如果十分组只在强预测上有效，就不应把同样的分组方式套到所有信号上。组合结构应成为信号诊断的一部分，而不是建模结束后才随意决定的容器。

七、对机器学习投研流程的启示

第一，把预测评价与组合评价分开。IC、RMSE 或分类准确率回答预测问题，分组数、协方差维度和换手回答组合问题。预测指标更高，不保证需要更细的仓位。系统学习机器学习模型评估与实现，可参考该课程，覆盖从数据预处理、特征工程到模型构建与评估的完整流程。

第二，使用滚动 rank IC 估计当前可用粒度，并冻结计算规则。每次只能使用调仓前数据，不能根据全样本 IC 选择历史分组数。

第三，为弱信号设置等权回退。若 rank IC 接近零或方向不稳定，直接减少分组，而不是继续调参寻找一套看似可用的权重。

第四，组内等权、组间低维拟合可以降低估计需求。对 A 股，还需额外处理行业中性、市值约束、涨跌停和 ST，否则最高组可能只是某种风格暴露。

第五，分别记录收益提升来自哪里：更好的预测、更少的估计维度、更低的换手，还是恰好避开了某次回撤。没有这些分解，很难判断粒度规则是否真正稳健。

八、局限：理论和实证都仍有边界

论文明确标注为初步版本，置信区间和消融检验留待后续。表中的夏普是多次抽样的平均结果，不应被理解为已经完成显著性确认的固定收益。

理论依赖独立同分布、正态收益、稳定的组均值和协方差等假设。实际资产的收益厚尾、状态切换和特征暴露时变，都可能改变最优粒度。

历史分组必须按每个月当时的成员重建，这一要求非常严格。如果使用当前成分回看历史，组均值会携带事后选择偏差，再优美的公式也无法挽救回测。

研究还没有完整计入交易成本、市场冲击和容量。分组数减少通常有利于降低复杂度，但不等于必然降低换手，权重和缩放方式仍需单独检查。

九、结语

预测粒度是一种需要估计和验证的组合决策，而不是建模习惯。弱信号下保留更多维度，往往是在为估计噪声付费；强信号下过度粗化，又会浪费有效信息。

这项研究给出的最实用原则是：让组合复杂度服从预测质量。能稳定排序时才增加分组，不能排序时退回等权；组内保持简单，组间只使用低维信息。对量化研究员而言，比追求更细预测更重要的是先回答：这些预测中有多少内容值得真实资本去使用。

参考文献

[1] Salcher L, Stöckl S, Hanke M. Less Is More: Forecast Granularity, Estimation Error, and Portfolio Choice[R]. Preliminary working paper, 2026.