时序回归与截面回归是检验因子模型的两种核心方法，区别在于：时序回归关注单个资产收益率随时间如何随因子收益率波动，检验因子是否能解释资产收益率的时间序列变化；截面回归则聚焦不同资产在同一时点上的预期收益率差异是否与因子暴露相关，检验因子能否解释资产之间的横截面差异。
时序回归：检验因子对资产收益率的时间解释力
时序回归以单个资产为对象，将资产收益率对因子收益率进行时间序列回归。模型形式为：(R_{it} = \alpha_i + \beta_i F_t + \varepsilon_{it})，其中 (R_{it}) 是资产 i 在时间 t 的收益率，(F_t) 是因子收益率，(\beta_i) 是因子暴露（即敏感度）。核心检验指标是截距项 (\alpha_i)：若 (\alpha_i) 显著不为零，说明因子无法完全解释该资产收益率，存在未被捕捉的定价偏差。 该方法常用于检验资本资产定价模型（CAPM）或 Fama-French 三因子模型等，判断因子是否有效。
截面回归：检验因子对资产预期收益率的定价能力
截面回归以多个资产为对象，在同一时间截面上，将资产的预期收益率对其因子暴露进行回归。模型形式为：(\bar{R}_i = \lambda_0 + \lambda_1 \beta_i + \eta_i)，其中 (\bar{R}_i) 是资产 i 的平均收益率，(\beta_i) 是时序回归中估计出的因子暴露，(\lambda_1) 是因子风险溢价（即单位因子暴露带来的超额收益）。核心检验指标是因子风险溢价 (\lambda_1)：若 (\lambda_1) 显著不为零，说明该因子在资产之间具有定价能力。 该方法常用于多因子模型检验，如 Fama-MacBeth 两步法中的第二步。
如何选择回归方法
选择取决于研究目的。若想检验某个因子是否能够解释特定资产或组合的历史收益率波动，用时序回归（例如：检验市场因子能否解释某只股票收益率）。若想检验因子是否在资产之间具有普遍定价能力，即高因子暴露的资产是否获得更高收益，用截面回归（例如：检验市值因子是否在全部股票中产生溢价）。实际研究中，常将两者结合：先用时序回归估计因子暴露，再用截面回归估计因子风险溢价。
总结：时序回归回答“因子能否解释资产收益率随时间的变化”，截面回归回答“因子能否解释资产之间收益率的差异”。 两者从不同维度验证因子模型的有效性，互补而非替代。
常见问题
时序回归中 (\alpha_i) 显著为正说明什么？
说明该资产获得了因子无法解释的正向超额收益，即因子模型未能完全定价该资产。这可能是资产存在未被模型捕捉的阿尔法，也可能是模型遗漏了其他重要因子。
截面回归中 (\lambda_1) 为负怎么办？
(\lambda_1) 为负表示因子暴露越高的资产收益率反而越低。这并不一定意味着因子无效，可能该因子是“负风险溢价”因子（如低波动因子），或者样本期内该因子表现与理论预期相反，需结合因子经济含义判断。
两种回归能否同时使用同一个因子？
可以。常用方法是 Fama-MacBeth 两步法：第一步用时序回归估计每个资产的因子暴露，第二步用截面回归估计因子风险溢价。这样既检验了因子解释时间序列变化的能力，也检验了其在截面上的定价能力。