在多因子模型中，定价误差 αi 接近零意味着该模型能够较好地解释资产预期收益率的截面差异。αi 是单个资产（或投资组合）的实际预期收益率与模型根据因子暴露所预测收益率之间的差值，本质上是模型未能解释的“异常收益”。当 αi 趋近于零时，说明模型所选取的因子（如市场、规模、价值等）已经捕捉了影响资产收益的主要系统性风险，剩余部分仅为随机波动，而非系统性定价错误。
αi 接近零与模型有效性的关系
αi 接近零是多因子模型有效性的核心标志。在多因子模型（如 Fama-French 三因子或五因子模型）中，资产预期收益率由因子载荷与因子溢价共同决定。如果 αi 显著非零，说明存在某些系统性影响因素未被纳入模型，即模型结构不完整。αi 的绝对值越小，模型对资产收益率的解释力（通常以 R² 衡量）越高。例如，若某只股票的 αi 为 -0.05%，意味着模型预测的收益率比实际低 0.05%，这个差值若在统计上不显著，则可认为模型对该股票的定价是合理的。
αi 的联合统计检验
单个资产的 αi 接近零并不足以证明模型整体有效，因为可能存在多个资产的 αi 符号相同、方向一致，形成系统性偏差。因此，GRS 检验（Gibbons-Ross-Shanken 检验）等联合统计检验至关重要。该检验的原假设是所有资产的 αi 同时为零。如果 GRS 统计量对应的 p 值较高（通常 >0.05），则不能拒绝原假设，说明模型在整体上成立。反之，即使个别 αi 接近零，若联合检验显著，仍需怀疑模型结构。
调整因子结构的情形
当 αi 显著非零（例如 αi 绝对值超过 0.5% 且统计显著）时，通常需要调整因子结构。常见调整路径包括：增加新因子（如动量因子、盈利能力因子）、替换冗余因子（如用价值因子替代低波动因子）或改进因子构建方式（如改变因子排序的分位数）。历史上，多因子模型的改进正是通过发现并解释 αi 的非零模式而推动的。例如，Fama-French 五因子模型就是在三因子模型基础上，发现小盘成长股存在显著负 αi，从而加入盈利和投资因子。
常见问题
定价误差 αi 与 Alpha 有什么区别？
αi 是多因子模型中的截距项，代表模型对特定资产的定价误差；而 Alpha 通常指投资组合的超额收益（相对基准）。在学术语境下，两者常混用，但 αi 更强调模型未解释的部分，Alpha 则更侧重主动管理能力。
如果 αi 接近零，是否意味着该资产没有超额收益？
不直接等同。αi 接近零仅说明该资产的收益能被模型因子完全解释，不排除它相对于无风险利率或某个单因子（如市场指数）仍有正超额收益。例如，一只高 Beta 股票在市场上涨时可能大幅跑赢现金，但其 αi 仍可为零。
如何判断 αi 在统计上是否显著接近零？
通常使用 t 检验，当 t 统计量的绝对值小于 2（或对应的 p 值大于 0.05）时，认为 αi 在统计上不显著异于零。同时，联合检验（如 GRS 检验）能避免多重比较误差，更全面地评估模型整体表现。