模型错位会导致投资组合中与风险因子无关的收益部分被误认为无风险，从而隐藏了特质性风险和未覆盖因子风险，最终使组合实际风险收益特征偏离预期。
模型错位如何制造隐藏风险
投资组合的风险模型通常基于一组选定的风险因子（如市场、行业、利率等）来解释收益。当模型错位时，那些无法被这些因子解释的收益（即残差收益）会被模型视为“无风险”或“零风险”部分。实际上，这部分收益可能来源于两处：一是特质性因素，如公司特定事件、管理层变动或产品创新；二是未被模型覆盖的风险因子，如流动性风险、动量因子或低波动因子。这两者都带有真实波动，并非无风险。
隐藏风险如何被放大
由于模型错误地将残差收益标记为低风险，优化过程会给予这部分收益过高的权重。例如，一个组合可能因模型忽略流动性风险，而重仓持有流动性差但近期收益高的资产。结果，组合表面上的风险指标（如波动率、VaR）偏低，但实际暴露于未被识别的波动中。历史上常见的情况是，当市场环境变化（如流动性收缩或因子反转）时，这些隐藏风险集中爆发，导致组合回撤远超预期。
后果：风险收益特征偏离
模型错位的最终后果是组合的风险收益特征完全偏离设计目标。投资者可能以为自己在承担市场因子风险并获取相应回报，但实际上却承担了特质性风险或未覆盖因子的风险，而这些风险并未在收益中得到恰当补偿。组合的夏普比率等绩效指标也会失真，因为分母（模型估计的风险）被低估，分子（收益）中包含了不应得的残差收益。这会让投资者对组合的真实表现产生错误判断。
总结： 模型错位使收益中与风险因子无关的部分被误认为无风险，导致优化中权重过高，组合实际暴露于特质性风险和未覆盖因子风险，最终风险收益特征偏离预期。
常见问题
如何判断模型是否存在错位？
可以通过回测检验残差收益的序列自相关或与未纳入因子的相关性。如果残差收益显著且随时间波动，或能由其他常见因子（如动量、低波动）解释，则说明模型可能错位。
特质性风险一定是不好的吗？
不一定。特质性风险本身是投资组合多元化的来源，如果分散得当，可以降低整体波动。问题在于模型错位导致其被误判为无风险，从而被过度集中暴露，失去分散效果。
调整模型后，风险指标会立即改善吗？
不会立即改善。调整模型后，需要重新估计因子暴露和残差收益，并基于新模型优化组合。风险指标的改善需要时间，因为新模型会逐步降低之前被误判的权重，但历史回测数据可能仍受旧模型影响。