一、非线性关系概述：为什么线性模型不够用？
各位同学，咱们今天聊聊一个很基础、但又特别容易被忽视的问题——为什么线性模型在金融市场里经常翻车？
我刚开始做量化那会儿，也迷信过线性回归。觉得把因子和收益率拉一条直线，找找斜率就完事了。结果呢？实盘跑起来，回测曲线漂亮得不行，一上实盘就崩。后来复盘才发现，市场压根不是线性的。你想想看，如果市场真是线性的，那做量化也太简单了，对吧？
1.1 线性模型的局限性
线性模型的核心假设，说白了就是“输入和输出是直线关系”。比如经典的线性回归：
y = β₀ + β₁x₁ + β₂x₂ + ... + ε这个公式假设：x每增加一个单位，y就固定增加β个单位。不管x是1还是100，这个增量都一样。
但金融市场里，这种假设基本不成立。我举个例子你就明白了：
- 规模效应：小市值股票涨10%很容易，但大市值股票涨10%难得多。同样的因子值，在不同规模下效果完全不同。
- 边际递减：换手率从1%涨到2%，收益可能增加不少；但从50%涨到51%，几乎没变化。
- 阈值效应：有些因子只有超过某个阈值才有效，低于阈值就是噪音。
核心观点：线性模型只能捕捉“单调、恒定”的关系。而金融市场里，关系往往是“非单调、时变、有阈值”的。
1.2 金融市场中的三大非线性现象
咱们具体看看市场里最常见的三种非线性现象。这些不是我编的，是学术界和业界反复验证过的。
1.2.1 波动率聚集
你有没有发现，市场波动总是一阵一阵的？
大涨之后往往跟着大跌，平静期之后还是平静期。这就是波动率聚集——高波动和低波动会各自扎堆出现。
为什么会这样？因为市场参与者的情绪会传染。恐慌的时候大家一起卖，贪婪的时候大家一起买。这种群体行为导致波动率不是随机的，而是有记忆的。
线性模型处理不了这个。它假设方差是常数，但实际方差是时变的。我当年做风险模型时，用线性模型算VaR，结果频繁被突破。后来换成GARCH模型，才勉强跟上节奏。
1.2.2 杠杆效应
这个现象很有意思：股票价格下跌时，波动率上升得比上涨时更快。
原因其实不难理解。公司股价下跌，意味着股权价值缩水，财务杠杆被动提高。杠杆高了，风险就大了，波动自然加剧。反过来，股价上涨时，杠杆降低，波动反而变小。
你看，同样的涨跌幅，向上和向下的影响是不对称的。线性模型哪能捕捉这种不对称？它只会傻傻地认为涨和跌是对称的。
避坑指南：我曾经用线性模型做期权定价，结果深度虚值期权的价格总是算不准。后来才发现，就是因为没考虑杠杆效应导致的波动率微笑。
1.2.3 尖峰厚尾
这个可能是大家最熟悉的。金融数据的分布，和正态分布差得远。
正态分布的特点是：大部分数据集中在均值附近，极端值极少。但金融数据呢？
- 尖峰：中间的数据比正态分布更集中，说明市场经常处于“微幅波动”状态。
- 厚尾：极端值出现的概率比正态分布高得多。比如一天跌5%以上，按正态分布算几乎不可能，但实际市场里隔三差五就来一次。
线性模型基于正态分布假设，对极端值极其敏感。一个异常值就能把回归系数拉偏。我见过有人用线性回归做因子筛选，结果因为某天熔断，选出来的因子全是噪音。
1.3 非线性关系的可视化理解
咱们用一张图来总结一下这些概念之间的关系：
1.4 为什么线性模型在量化因子挖掘中不够用？
咱们回到量化因子的场景。假设你发现一个因子，比如“过去5日涨幅”，想用它预测未来收益。
线性模型会告诉你：过去涨得越多，未来涨得越多（或者相反）。但实际情况呢？
- 趋势延续：涨了还能再涨，但涨到一定程度就会反转。
- 均值回归：跌多了会反弹，但反弹幅度和下跌幅度不成比例。
- 状态切换：牛市里追涨有效，熊市里抄底有效。同一个因子，在不同市场状态下效果完全相反。
这些关系，线性模型一个都抓不住。它只会给你一个“平均效应”——把各种情况混在一起，算出一个不痛不痒的系数。
注意：用线性模型做因子挖掘，最大的风险不是“赚不到钱”，而是“你以为找到了有效因子，实际上全是噪音”。我见过太多人回测曲线漂亮，实盘一塌糊涂，根源就在这里。
1.5 非线性建模的常见思路
既然线性模型不够用，那怎么办？简单说几个方向，后面章节会详细展开：
| 方法 | 核心思想 | 适用场景 |
|---|---|---|
| 多项式回归 | 加入x²、x³等项 | 简单的U型或倒U型关系 |
| 分箱/分段线性 | 将因子分成若干区间，每个区间单独建模 | 阈值效应、分段关系 |
| 树模型 | 通过决策树自动捕捉交互和非线性 | 高维、复杂非线性 |
| 神经网络 | 用激活函数引入非线性 | 极度复杂的非线性模式 |
我个人习惯是：先用树模型探探路，看看因子和收益之间到底长什么样。如果关系简单，就用多项式或分箱。如果复杂，再上神经网络。别一上来就搞深度学习，容易过拟合。
1.6 小结
这一章咱们聊了聊为什么线性模型在金融市场里不够用。核心就三点：
- 波动率聚集：波动会扎堆，方差不是常数。
- 杠杆效应：涨和跌的影响不对称。
- 尖峰厚尾：极端值比正态分布多得多。
这些现象决定了，线性模型只是起点，不是终点。做量化因子挖掘，必须学会处理非线性关系。后面的章节，咱们会一步步深入，从简单的多项式回归，到复杂的树模型和神经网络，把各种非线性捕捉方法都过一遍。
嗯，今天就到这儿。记住一句话：市场比你想象的复杂，但也没复杂到不可理解。关键是找对工具。
公众号:蓝海数据掘金营，微信deep3321