GRS检验（Gibbons, Ross, Shanken检验）是评估多因子模型有效性的常用统计方法，其核心假设是因子收益率和残差项服从联合正态分布。当这一正态假设不成立时，检验的显著性水平可能失真，导致错误地拒绝或接受模型。投资者不应直接放弃检验结果，而应改用替代方法并结合因子经济逻辑进行判断。
正态假设不成立时的替代方法
自助法（Bootstrap） 是一种非参数重抽样技术，不依赖正态分布假设。它通过从原始数据中有放回地反复抽样，模拟出检验统计量的经验分布，从而计算出更稳健的p值。具体步骤包括：对收益率序列进行多次重抽样（通常1000次以上），每次计算GRS统计量，最后比较原始统计量在经验分布中的位置。自助法适用于样本量较小或数据存在厚尾、偏斜的常见情形。
贝叶斯方法 则从概率视角出发，将模型参数视为随机变量，并引入先验分布（如对因子载荷施加正则化先验）。它通过马尔可夫链蒙特卡洛（MCMC）采样后验分布，直接评估因子定价错误的概率，而非依赖渐近分布理论。贝叶斯方法在因子数量多、样本期短时尤为稳定，但需要设定合理的先验，对投资者建模能力要求较高。
两种方法的核心区别在于：自助法依赖数据本身的重抽样，更易操作；贝叶斯方法需要明确先验假设，但能整合额外的经济信息。
结合因子经济逻辑进行判断
统计方法只是辅助工具，因子背后的经济解释才是模型有效性的根本。例如，A股市场常见的“市值因子”（小盘股相对大盘股的超额收益）在中国版三因子模型（如Liu等人在中国市场调整后的模型）中表现显著，即使GRS检验因正态假设偏离而显示模型被拒绝，该因子在多数市场阶段仍有稳定的经济逻辑支撑——小盘股流动性溢价和散户主导的定价偏差。
投资者应综合以下维度：
- 因子在经济周期中的表现稳定性：如价值因子在通胀期通常有效
- 因子间的相关性结构：若多个因子高度相关（如成长与动量），模型可能共线性严重
- 样本外回测结果：使用不同时间段（如牛熊市）验证因子效果是否一致
若替代方法（自助法或贝叶斯）仍显示模型无效，同时因子经济逻辑薄弱（如某个仅在某一年表现突出的“季节性因子”），则应放弃该模型或重新调整因子组合。
总结：当GRS检验正态假设不成立时，优先使用自助法获得稳健p值，或采用贝叶斯方法整合先验信息；同时始终将因子经济逻辑置于统计结果之上，避免陷入纯统计陷阱。
常见问题
GRS检验正态假设不成立，是否意味着多因子模型一定无效？
不一定。正态假设不成立仅影响检验的统计显著性，不代表模型本身错误。建议先用自助法重新计算p值，若结果仍不显著，再结合因子经济逻辑判断——如果因子有坚实的经济解释（如A股的小市值效应），模型仍可能有效。
自助法和贝叶斯方法哪个更适合普通投资者？
自助法更适合普通投资者，因为它操作简单，只需对原始数据进行重抽样，无需设置复杂的先验分布。贝叶斯方法更适合有编程和统计建模经验的投资者，能提供更丰富的后验信息，但需要谨慎选择先验假设。
在中国版三因子模型中，GRS检验结果不好怎么办？
中国版三因子模型（通常包含市场、市值、估值因子）在A股中已被广泛验证。如果GRS检验不理想，可先检查样本期是否过短（建议至少3年日频数据），或尝试用自助法修正。若仍无效，重点考察市值因子和估值因子在经济周期中的表现——例如，在流动性收紧阶段，小市值因子可能暂时失效，但长期依然有效。