基金经理使用不同模型分别预测收益和风险，核心原因在于两者的目标根本不同：收益模型追求对特定资产未来回报的独特性预测，而风险模型则要求对各类风险因子的广泛覆盖。收益模型常依赖基金经理对行业、公司或宏观的独特见解，变量少且侧重 alpha 来源；风险模型如 Barra 则包含数百个系统性因子，旨在捕捉组合整体的波动来源。这种分工天然导致收益变量与风险因子不完全一致，形成“模型错位”。
收益模型与风险模型的核心差异
收益模型强调特异性。基金经理可能仅关注少数几个关键变量，如市盈率变化、营收增速或管理层质量，这些变量能解释个股的超额回报。风险模型则追求全面性，Barra 等模型会纳入市场、行业、规模、价值、动量、波动率等数十个因子，确保覆盖所有可能的系统性风险来源。两者在变量选择、更新频率和预测周期上往往不同：收益模型可能季度调整，风险模型则每日更新。
模型错位的产生与影响
当收益模型使用的变量未被风险模型充分反映时，错位就会发生。例如，收益模型依赖“管理层执行力”这一定性变量，而风险模型并未将其作为因子纳入，那么该变量带来的波动就会被误归为残差。这导致组合的风险收益特征失真：历史回测显示的夏普比率可能高估，而实际运行中未对冲的风险暴露会引发意外回撤。历史上常见的情况是，基金经理押注的独特收益来源，恰好在风险模型中未被识别为系统性因子，最终在极端行情下暴露。
纠正模型错位的方法
纠正错位主要有两种路径。一是调整风险模型，将收益模型中的关键变量作为新因子加入 Barra 等框架中，使其被系统识别和对冲。二是优化组合构建过程，在收益预测与风险约束之间引入“因子暴露匹配”步骤，确保收益模型的预期 alpha 来源与风险模型中的因子权重一致。多数情况下，成熟的量化团队会采用混合方法：保留收益模型的独特性，同时用风险模型对未被覆盖的变量进行惩罚性约束，降低潜在错位。
常见问题
收益模型和风险模型能否统一成一个模型？
理论上可以，但实践中很少这么做。统一模型需要在预测精度和风险覆盖之间做取舍，结果往往是两头都不够好。因此，大多数机构选择保持分离，再通过校正机制解决错位。
模型错位会导致哪些具体风险？
主要风险包括风险低估（收益模型中的独特变量未被对冲）和收益高估（回测中未考虑错位带来的额外波动）。极端情况下，错位可能使组合在因子突变时出现远超预期的回撤。
如何判断自己的组合是否存在模型错位？
可以对比收益模型预测的 alpha 来源与风险模型中的因子暴露。如果收益模型依赖的变量在风险模型中残差项占比过高，或回测与实际波动率差距明显，就存在错位。定期进行因子归因分析能有效发现这类问题。