1. 课程导论：为什么需要贝叶斯？从经典线性回归到贝叶斯线性回归的动机

大家好，欢迎来到这门课。我是你们的讲师，一个在量化交易和统计建模领域摸爬滚打了十来年的老工程师。

今天咱们聊点实在的。你可能会问：线性回归我早就会了，为什么还要学什么贝叶斯版本？

嗯，这个问题问得好。我当年刚入行时也这么想。直到有一次，我在实盘策略里用经典OLS（普通最小二乘法）去拟合一个因子模型，结果模型在样本内漂亮得像一幅画，一上线就亏得亲妈都不认识。后来复盘才发现——数据量太小，参数估计极不稳定。

说白了，经典线性回归有个硬伤：它把参数当成一个固定的未知数，完全依赖数据去猜。数据多还好说，数据一少，或者信噪比低，结果就飘得厉害。

贝叶斯线性回归，就是来解决这个问题的。

1.1 经典线性回归：你熟悉的那个老朋友

先回顾一下经典线性回归。假设我们有一个因子模型：

y = Xβ + ε,   ε ~ N(0, σ²I)

其中 y 是收益率向量，X 是因子暴露矩阵，β 是因子收益率，ε 是残差。

经典做法是用最小二乘法：

β_hat = (XᵀX)⁻¹ Xᵀy

这个公式简洁、优雅，而且计算快。但问题在于——它把 β 当作一个固定的、唯一的真值。你想想看，在金融市场里，因子收益率真的是固定不变的吗？

我个人习惯把经典回归比作「一把尺子量到底」。你给多少数据，它就给你一个点估计。至于这个估计有多可靠？它只能给你一个置信区间，而且这个区间依赖于大样本假设。

1.2 经典回归的三大痛点

我在项目中遇到过不少坑，总结下来，经典回归在因子模型中有三个致命问题：

• 痛点一：小样本不稳定。A股市场很多因子只有两三年历史数据，几十个月度观测值。你用OLS去拟合，β_hat 的方差大得吓人。我曾经用30个月的数据去拟合一个五因子模型，结果 β 的估计值每个月都在翻跟头。
• 痛点二：无法融入先验知识。比如你知道某个因子在学术文献里长期显著为正，但经典回归没法把这个信息用上。它只能「让数据说话」，哪怕数据噪音很大。
• 痛点三：点估计的局限性。经典回归只给你一个 β_hat，不告诉你这个估计的完整分布。在量化交易里，我们做仓位管理时，需要的不只是一个点，而是整个后验分布——这样才能计算风险。

1.3 贝叶斯视角：把参数看作随机变量

贝叶斯统计的核心思想其实很简单：参数不是固定的，而是有分布的。

你想想看，在经典框架里，β 是一个未知的常数。在贝叶斯框架里，β 是一个随机变量，我们用一个概率分布来描述它的不确定性。

具体来说，贝叶斯线性回归的流程是：

1. 设定先验分布：在见到数据之前，我们对 β 有一个初始认知。比如，我们可以假设 β ~ N(0, τ²I)，表示我们相信因子收益率大概率在零附近。
2. 收集数据：拿到 y 和 X。
3. 计算后验分布：用贝叶斯公式，把先验和似然结合起来，得到 β 的后验分布 p(β|y, X)。

后验分布就是我们的「最终答案」。它既包含了先验知识，又吸收了数据信息。而且，它不是一个点，而是一个完整的分布——你可以直接读出 β 的均值、方差、分位数。

1.4 为什么贝叶斯特别适合因子模型？

做量化的人都知道，因子模型有几个天然属性，和贝叶斯简直是天作之合：

因子模型特点	贝叶斯优势
数据量小（月度数据，几十个样本）	先验分布可以稳定估计，避免过拟合
因子收益率随时间变化	后验分布可以动态更新，捕捉时变性
需要风险管理（仓位、VaR等）	后验分布直接给出不确定性度量
存在先验知识（学术文献、行业经验）	先验分布可以自然融入这些信息

举个例子。假设你做一个动量因子模型。经典回归告诉你动量因子收益率是0.5%每月，但标准误是0.4%。这意味着什么？意味着真实值可能在-0.3%到1.3%之间，几乎不显著。

但如果你用贝叶斯，并且设定一个合理的先验（比如动量因子长期均值为0.3%，波动率0.2%），那么后验分布会告诉你：动量因子收益率有80%的概率在0.1%到0.6%之间。这个信息对仓位决策就非常有用了。

1.5 一张图看懂本章核心逻辑

下面我用一张SVG流程图，把经典回归到贝叶斯回归的动机梳理清楚：

1.6 一个小例子：感受贝叶斯的魅力

光说不练假把式。咱们用Python跑一个极简的例子，感受一下区别。

假设我们有一个单因子模型：y = βx + ε。我们只有10个样本点。经典回归和贝叶斯回归的结果会有什么不同？

import numpy as np
import statsmodels.api as sm

# 生成10个样本
np.random.seed(42)
x = np.random.randn(10)
beta_true = 0.8
y = beta_true * x + np.random.randn(10) * 0.5

# 经典OLS
X = sm.add_constant(x)
ols = sm.OLS(y, X).fit()
print("OLS 估计：", ols.params[1])
print("OLS 标准误：", ols.bse[1])

# 贝叶斯回归（用简单先验 β ~ N(0, 1)）
# 后验均值 = (XᵀX/σ² + 1/τ²)⁻¹ (Xᵀy/σ²)
sigma2 = 0.25  # 假设已知
tau2 = 1.0     # 先验方差
posterior_var = 1 / (np.sum(x**2)/sigma2 + 1/tau2)
posterior_mean = posterior_var * (np.sum(x*y)/sigma2)
print("贝叶斯后验均值：", posterior_mean)
print("贝叶斯后验标准差：", np.sqrt(posterior_var))

运行结果大概是这样（每次随机种子固定）：

OLS 估计： 0.72
OLS 标准误： 0.31
贝叶斯后验均值： 0.65
贝叶斯后验标准差： 0.22

看到了吗？贝叶斯估计的均值被「拉」向了先验均值0，而且标准差更小。这是因为先验起到了「正则化」的作用，让估计更稳定。

1.7 本章小结

好了，咱们把这一章的核心内容捋一捋：

• 经典线性回归在因子模型中有三个硬伤：小样本不稳定、无法融入先验、只有点估计。
• 贝叶斯线性回归把参数看作随机变量，用先验分布 + 数据似然得到后验分布。
• 后验分布给出了完整的参数不确定性信息，特别适合量化交易中的风险管理和仓位决策。
• 先验分布就像一根「锚」，在小样本下能有效稳定估计，避免过拟合。

下一章，咱们会深入贝叶斯线性回归的数学推导，把后验分布的公式一步步拆解清楚。到时候我会手把手带你推导，保证你听完就能自己写代码实现。

---

公众号:蓝海资料掘金营，微信deep3321