By 2017 hundreds of characteristics had predictive power documented. Two questions:
KPS say yes to (1) and decisively answer "risk" to (2) — characteristics are covariances.
with the identifying linear restrictions:
$$ \alpha_{it} = z_{it}'\,\Gamma_\alpha, \qquad \beta_{it} = z_{it}'\,\Gamma_\beta. $$| Symbol | Meaning |
|---|---|
| $z_{it}$ | $L \times 1$ characteristics (lagged) |
| $\Gamma_\alpha$ | $L \times 1$ characteristic-to-alpha mapping |
| $\Gamma_\beta$ | $L \times K$ characteristic-to-loading mapping |
| $f_{t+1}$ | $K \times 1$ latent factors |
| $K$ | number of factors (KPS advocate 5) |
Two specifications. Restricted IPCA-R imposes $\Gamma_\alpha = 0$ (no mispricing). Unrestricted IPCA-U lets $\Gamma_\alpha \neq 0$. The Wald test of $\Gamma_\alpha = 0$ is KPS's "mispricing test".
The model is non-convex in $(\Gamma_\alpha, \Gamma_\beta, f)$ jointly but bi-linear: given any two, OLS gives the third in closed form.
Iterate to convergence; provably finds a stationary point of the joint MSE.
Define characteristic-managed portfolios $x_{t+1} = Z_t' R_{t+1} / N$:
$$ x_{t+1} \;=\; (Z_t' Z_t / N) \Gamma_\alpha \;+\; (Z_t' Z_t / N) \Gamma_\beta \, f_{t+1} \;+\; (Z_t' \varepsilon_{t+1} / N). $$So IPCA is really PCA on the time series of $L$ characteristic-managed portfolios. Similar in spirit to CRW's regressed-PCA — but IPCA uses the original characteristics $Z_t$ as the projection basis, while CRW uses a flexible basis $\phi(z_t)$.
Sample: same 36-char × 12,813 stock × Sep-1962 to May-2014 monthly panel as FNW and CRW.
| Specification | Total $R^2$ | MV Sharpe | Conclusion |
|---|---|---|---|
| FF-5 (pre-specified) | low | moderate | Inferior to IPCA |
| IPCA-R, $K=5$ (no alpha) | ~17% | high | Strong fit |
| IPCA-U, $K=5$ (with alpha) | ~17.8% | high | Marginally better than R |
| IPCA-R vs IPCA-U Wald | — | — | Cannot reject $\Gamma_\alpha = 0$ at conventional levels |
Headline claim: IPCA-R fit is so good that residual alpha improvement is small. So characteristics' expected-return role is captured by time-varying loadings on 5 latent factors, not mispricing.
The 5 IPCA factors plot economically — loosely market, size, value-like, momentum-like, quality-like — but are not exactly FF factors; they are the empirically-best-fit latent versions.
CRW (2023) point out three issues with IPCA's "no mispricing" claim:
CRW empirical conclusion is the opposite: characteristics carry both risk loadings and non-zero mispricing; pure-$\alpha$ portfolios earn Sharpe > 3.
Implementation: ~150 lines of Python. Public reference implementations exist (Bryan Kelly's GitHub). For AOF, run IPCA in parallel with regressed-PCA as a "reality check" panel.
2017 年時点で数百の特性が予測力を文書化されていた。2 つの問い：
KPS は (1) に「然り」、(2) に断固「リスク」と答える — 特性は共分散である。
要点に出てきた一文：「$\alpha_{it} = z_{it}'\Gamma_\alpha$、$\beta_{it} = z_{it}'\Gamma_\beta$ を仮定 — 特性に対し線形。時系列とクロスセクションの同時フィットを最大化。」—— ここを丁寧にほどく。
翻訳すると：
$i$ = トヨタ、$t$ = 2026 年 3 月とする。すると：
| 記号 | 形 | 具体例（イメージ） |
|---|---|---|
| $z_{it}$ | $L \times 1$ ベクトル（$L \approx 36$） | $(\text{Book/Market}=0.8,\ \text{Size}=11.2,\ \text{Momentum}=0.07,\ \dots)'$ — トヨタの 2026 年 2 月末時点の特性 |
| $\Gamma_\alpha$ | $L \times 1$ ベクトル | 「特性 → アルファ」の翻訳辞書。全銘柄・全期間で共通 |
| $\Gamma_\beta$ | $L \times K$ 行列（$K \approx 5$） | 「特性 → ベータ」の翻訳辞書。やはり全銘柄・全期間で共通 |
| $\alpha_{it} = z_{it}' \Gamma_\alpha$ | スカラー | トヨタの 2026 年 3 月のミスプライシング部分（パーセント） |
| $\beta_{it} = z_{it}' \Gamma_\beta$ | $K \times 1$ ベクトル | トヨタの 2026 年 3 月の $K$ 個ファクターへの感応度 |
キモ：$\Gamma_\alpha, \Gamma_\beta$ は銘柄にも時点にも依存しない。これがパラメータ節約の源泉。$N \times T$ 通り別々に $\alpha, \beta$ を推定する代わりに、$L \times (K+1)$ 個の係数（特性→ファクター翻訳辞書）だけを推定すればよい。$\alpha_{it}, \beta_{it}$ の時間変動と銘柄差は、すべて $z_{it}$ の時間変動と銘柄差から自動的に出てくる。
$\Gamma_\beta$ が 1 つの特性（B/M）について、HML ファクターへのベータが $\beta = 0.6 \times \text{B/M}$ と推定されたとしよう。これは「B/M が 1 だけ大きい銘柄は、HML への感応度が 0.6 大きい」という1 次関数の関係を意味する：
β │ ● バリュー株（B/M=2） │ / │ / │ / │ ● 中立株（B/M=1） │ / │ ● グロース株（B/M=0.3） └────────────────── B/M
「線形」の意味するところは、B/M が 0.3 から 2.0 まで動いても、傾き 0.6 はずっと一定。グロース株でもバリュー株でも、HML 感応度は B/M に同じ係数でくっついている。CRW はこの「ずっと直線」という仮定を緩める（曲がってよい）。
| 手法 | 最小化するもの | 欠点 |
|---|---|---|
| 純・時系列（TS）回帰 Fama-French 1993 | 各銘柄について $\sum_t (r_{it} - \beta_i' f_t)^2$ — 銘柄ごと個別にベータを推定。$f_t$ は外生的に与えられる（HML, SMB など） | 銘柄数だけパラメータが膨らむ。ベータが時間変動するなら捉えられない |
| 純・クロスセクション（XS）回帰 Fama-MacBeth 1973 | 各月について $\sum_i (r_{it} - \lambda_t' \hat\beta_i)^2$ — 月ごと個別にリスクプレミアム $\lambda_t$ を推定。$\hat\beta_i$ は前段で時系列回帰から取る | 2 段階推定で誤差が伝播。$\hat\beta_i$ が時間固定（時間変動を扱えない） |
| IPCA（同時 TS+XS） | パネル全体について 1 つの目的関数：$\sum_{i,t}\bigl(r_{i,t+1} - z_{it}'\Gamma_\alpha - z_{it}'\Gamma_\beta\, f_{t+1}\bigr)^2$ を $\Gamma_\alpha, \Gamma_\beta, f_{1:T}$ すべてについて同時に最小化 | 非凸（が、双線形なので交互 OLS で解ける） |
「同時」が効く理由：$\beta_{it} = z_{it}'\Gamma_\beta$ という制約のおかげで、ある月 $t$ のクロスセクション情報（その月の全銘柄のリターンと特性）が、別の月 $s$ の $\beta_{is}$ の推定にも貢献する — なぜなら両者は同じ $\Gamma_\beta$ を通って繋がっているから。Fama-MacBeth では月ごとに独立だった情報が、IPCA ではパネル全体で共通辞書 $\Gamma$ を介してプールされる。これが「TS の情報も XS の情報も同時に使い切る」の意味。
「各銘柄のベータとアルファを、その銘柄の企業特性の線形関数として表現する。すると推定すべきものは銘柄数 × ファクター数（巨大）ではなく、特性数 × ファクター数（小さい）の翻訳辞書 $\Gamma$ になり、時系列と銘柄横断の情報を同じ辞書を介してプールできる」—— これが IPCA。
識別のための線形制約：
$$ \alpha_{it} = z_{it}'\,\Gamma_\alpha, \qquad \beta_{it} = z_{it}'\,\Gamma_\beta. $$| 記号 | 意味 |
|---|---|
| $z_{it}$ | $L \times 1$ 特性（ラグ付き） |
| $\Gamma_\alpha$ | $L \times 1$ 特性→アルファ写像 |
| $\Gamma_\beta$ | $L \times K$ 特性→ローディング写像 |
| $f_{t+1}$ | $K \times 1$ 潜在ファクター |
| $K$ | ファクター数（KPS は 5 を主張） |
2 つの仕様。制約付き（IPCA-R）は $\Gamma_\alpha = 0$ を課す（ミスプライシングなし）。制約なし（IPCA-U）は $\Gamma_\alpha \neq 0$ を許容。$\Gamma_\alpha = 0$ の Wald 検定が KPS の「ミスプライシング検定」。
$(\Gamma_\alpha, \Gamma_\beta, f)$ について同時には非凸だが双線形：2 つ与えれば、3 つ目は OLS で閉形式。
収束まで反復。同時 MSE の定常点に証明可能に到達。
特性マネージドポートフォリオ $x_{t+1} = Z_t' R_{t+1} / N$ を定義：
$$ x_{t+1} \;=\; (Z_t' Z_t / N) \Gamma_\alpha \;+\; (Z_t' Z_t / N) \Gamma_\beta \, f_{t+1} \;+\; (Z_t' \varepsilon_{t+1} / N). $$つまり IPCA は実質的に $L$ 個の特性マネージドポートフォリオの時系列に対する PCA。CRW の regressed-PCA と精神的に類似 — ただし IPCA は原特性 $Z_t$ を射影基底とするのに対し、CRW は柔軟な基底 $\phi(z_t)$ を用いる。
サンプル：FNW・CRW と同じ 36 特性 × 12,813 銘柄 × 1962 年 9 月〜2014 年 5 月、月次。
| 仕様 | Total $R^2$ | MV シャープ | 結論 |
|---|---|---|---|
| FF-5（事前指定） | 低 | 中 | IPCA 劣後 |
| IPCA-R, $K=5$（アルファなし） | ~17% | 高 | 強いフィット |
| IPCA-U, $K=5$（アルファあり） | ~17.8% | 高 | R より僅かに良 |
| R vs U の Wald | — | — | $\Gamma_\alpha = 0$ を慣例的水準で棄却できず |
主要主張：IPCA-R のフィットが十分良いため、残余のアルファ寄与は小さい。したがって特性の期待リターンへの寄与は5 潜在ファクターへの時間変動ローディングで捉えられ、ミスプライシングではない。
5 つの IPCA ファクターは経済的に解釈可能 — 大まかにマーケット、規模、バリュー的、モメンタム的、クオリティ的 — だが FF ファクターと正確には一致しない、実証的に最適化された潜在版。
CRW (2023) は IPCA の「ミスプライシングなし」主張に 3 つの問題を指摘：
CRW の実証結論は逆：特性はリスクローディングと非ゼロミスプライシングの両方を担う；純 $\alpha$ ポートフォリオはシャープ > 3 を稼ぐ。
実装：Python 約 150 行。公開参照実装あり（Bryan Kelly の GitHub）。AOF では regressed-PCA と並走させて「現実チェック」パネルとする。