因子暴露 βi 的计算方法是通过时间序列回归完成的，具体步骤是将单个资产（如股票或基金）的超额收益率对所选因子（如市场超额收益、规模因子、价值因子等）的收益率时间序列进行普通最小二乘法（OLS）回归，回归系数即为该资产的因子暴露 βi。这一 βi 代表资产对因子变动的敏感度，是后续截面回归分析（如Fama-MacBeth两步法）的核心输入。
时间序列回归的具体步骤
计算 βi 的标准流程包含以下三个关键阶段：
- 数据准备：获取资产在历史区间内的超额收益率（资产收益率减去无风险利率），以及同期各因子的收益率序列。常用的无风险利率为短期国债收益率或银行间拆借利率。
- 回归估计：将资产超额收益率作为因变量，因子收益率作为自变量，运行 OLS 回归。回归方程形式为：
( R_i - R_f = \alpha_i + \beta_{i1}F_1 + \beta_{i2}F_2 + … + \epsilon_i )
其中每个 β 系数即对应因子的暴露。 - 系数提取：回归输出的 β 系数直接用作截面回归中的因子暴露。这些 β 值反映了资产在历史样本期内对因子变动的平均敏感度。
滚动估计的实践方法
在实证中，βi 通常不采用全样本一次性估计，而是通过滚动窗口方式定期更新，以捕捉资产风险特征的时变性。
- 窗口长度：常见选择为 36-60 个月（即 3-5 年的月度数据）。较短的窗口（36个月）对市场变化反应更快，但估计误差更大；较长的窗口（60个月）更稳定，但可能包含过时信息。
- 更新频率：每月或每季度滚动一次。例如，计算某股票在2023年3月的 βi，使用2018年4月至2023年3月共60个月的收益率数据做回归；到2023年4月，窗口前移一个月，重新估计。
- 注意事项：对于交易不频繁或上市时间不足的资产，窗口长度需适当缩短或使用填充方法（如行业平均 β），以避免缺失值。
截面回归中的 βi 本质上是对历史关系的统计刻画，其可靠性依赖于样本期内因子与资产收益关系的稳定性。在应用时，常结合滚动估计与 t 统计量筛选，排除统计上不显著的 β 值。
常见问题
为什么要用时间序列回归而不是直接用截面数据算 βi？
因子暴露 βi 衡量的是资产收益率对因子变动的敏感度，这种敏感度只能通过观察资产在同一因子变化下历史表现的时间序列来估计。截面数据只反映某一时点的资产特征，无法揭示资产与因子之间的动态关系。因此，βi 必须先通过时间序列回归得到，再用于截面分析。
如果资产历史数据不足 36 个月怎么办？
对于上市不足 36 个月的资产，可以缩短滚动窗口至 24 个月或 12 个月，但需注意估计误差会显著增大。另一种常见做法是使用行业或风格类似的组合 β 作为替代，或采用贝叶斯收缩估计（如 Vasicek 调整）来降低噪声。多数实证研究建议至少保留 24 个月的数据作为下限。
滚动估计中窗口长度如何具体选择？
窗口长度没有绝对标准，通常取决于研究目的和数据频率。月度数据中，36个月（3年）和 60个月（5年）是最常见的两个选择。短期窗口（如 24-36 个月）更适合捕捉快速变化的市场特征，但波动大；长期窗口（如 60-120 个月）更稳定，但可能滞后。建议同时测试多个窗口并比较结果稳健性。