多因子模型比较中，测试资产选择不当会直接导致模型排序结果失真，使投资者误判哪个因子更有效。核心后果包括：同质资产会高估模型解释力，资产数量过多则引发过拟合，两者都会削弱结论的稳健性，最终让看似“最优”的模型在实际应用中失效。
测试资产同质性的影响
当测试资产集中在同一行业或风格（如仅选科技股或大盘股）时，资产收益率高度相关，多因子模型间的差异容易被“共性”掩盖。例如，若测试资产全是成长型股票，那么市值因子和成长因子的表现会趋同，模型比较无法区分真正有效的因子。同质性还导致统计检验失效：资产间相关性高会降低标准误，使本不显著的因子被误判为显著。实践中，应选择覆盖多个行业、市值和风格的资产池，如行业指数或宽基指数成分股。
测试资产数量过多的统计问题
测试资产数量过多（如超过数百只）会引发多重比较问题。模型在大量资产上“寻优”时，即使随机噪声也可能被误识别为规律，导致比较结果出现虚假的显著性。此外，资产数量远超因子数量时，协方差矩阵估计不稳定，模型拟合虽好但外推能力差。一个常见经验是：资产数量通常不应超过观测期长度（如月度数据下120个月对应约60只资产），否则统计推断不可靠。选择代表性强的分散化资产（如10-20个行业指数）比堆砌大量个股更稳健。
结论稳健性的核心地位
多因子模型比较的最终目的是找到可复现的规律，而非仅追求样本内拟合。稳健性要求结论在不同时间区间、资产子集和样本长度下保持一致。例如，若某因子在牛市和熊市样本中结论相反，或更换少量资产后排序反转，则其“有效性”值得怀疑。建议做法是：先用分散化资产（如行业指数或风格指数）做基准测试，再用随机抽样的个股子集做交叉验证。只有通过多种资产配置检验的因子，才可能具有实际投资价值。
常见问题
### 测试资产同质到什么程度算“严重”？
当资产间平均相关系数超过0.7时，同质性通常会影响模型比较。此时模型解释力（如R²）可能虚高，而因子系数的统计显著性被放大。建议用行业指数或风格指数替换高度相关的个股，以降低同质性干扰。
### 测试资产数量是否有明确上限？
没有固定上限，但资产数量不应超过样本长度（如月度数据下观测期月数）的1/3。例如，120个月度数据中，资产数量控制在40只以下较为安全。超过此比例时，协方差矩阵估计不稳定，模型比较结果容易过拟合。
### 如何快速判断测试资产选择是否合理？
观察资产收益率的相关性矩阵：如果大部分相关系数绝对值超过0.5，说明同质性较高。同时检查资产数量与样本长度的比例：若资产数超过样本长度的1/2，应减少资产或延长样本区间。合理的选择是资产间相关性低且数量与样本长度匹配。