06 — Kelly, Pruitt & Su (2019) — IPCA
Characteristics Are Covariances: A Unified Model of Risk and Return
Journal of Financial Economics 134(3), 501–524 · Kei Matsumae · 2026-05-15
What this paper does
- IPCA = Instrumented Principal Component Analysis. The "instruments" are firm characteristics.
- Model: $r_{i,t+1} = \alpha_{it} + \beta_{it}' f_{t+1} + \varepsilon_{i,t+1}$, with $\alpha_{it} = z_{it}'\Gamma_\alpha$ and $\beta_{it} = z_{it}'\Gamma_\beta$ — linear in characteristics.
- Estimator: alternating least squares for $\Gamma_\alpha, \Gamma_\beta, f$ jointly.
- Claim: 5-factor IPCA explains the cross-section of US individual stocks vastly better than FF5.
- Headline thesis — "characteristics are covariances" — characteristics' predictive power comes through time-varying loadings, not through mispricing.
- Direct benchmark for CRW (2023). CRW competes on the same data; relaxes linearity and reaches opposite conclusion.
1. Why this paper exists
By 2017 hundreds of characteristics had predictive power documented. Two questions:
- Can they be organised into a low-dimensional factor structure?
- Are characteristic-return relationships risk (time-varying betas) or mispricing (non-zero alphas)?
KPS say yes to (1) and decisively answer "risk" to (2) — characteristics are covariances.
2. The model
$$ r_{i, t+1} \;=\; \alpha_{it} \;+\; \beta_{it}'\, f_{t+1} \;+\; \varepsilon_{i, t+1}, $$
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".
3. The estimator — alternating least squares
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.
3.1 Step 1 — Given $\Gamma_\alpha, \Gamma_\beta$, estimate $f_{t+1}$
$$ \hat f_{t+1} \;=\; \bigl(\Gamma_\beta'\, Z_t' Z_t\, \Gamma_\beta\bigr)^{-1} \Gamma_\beta'\, Z_t'\, (R_{t+1} - Z_t \Gamma_\alpha). $$
3.2 Step 2 — Given $f$, estimate $\Gamma_\alpha, \Gamma_\beta$
$$ [\hat\Gamma_\alpha,\, \hat\Gamma_\beta] \;=\; \arg\min \sum_{i,t} \bigl( r_{i,t+1} - z_{it}'\Gamma_\alpha - z_{it}'\Gamma_\beta\, f_{t+1}\bigr)^2. $$
Iterate to convergence; provably finds a stationary point of the joint MSE.
4. What IPCA is really doing
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 $\phi(z_t)$.
5. Empirical findings
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.
6. The CRW critique
CRW (2023) point out three issues with IPCA's "no mispricing" claim:
- Linearity. $\alpha = z'\Gamma_\alpha$ forces a linear shape on mispricing. If true $\alpha(z)$ is nonlinear, the linear restriction can absorb genuine alpha into spurious betas. CRW's nonparametric specification reveals nonzero alphas.
- Joint objective. IPCA's TS+XS joint MSE lets factors absorb characteristics' average-return pattern. CRW extracts factors explaining comovement only, leaving cross-sectional patterns for $\alpha$.
- K selection. KPS pre-commit to $K=5$. CRW's data-driven eigenvalue-ratio selector picks $K=1$ or $2$ on the same data.
CRW empirical conclusion is the opposite: characteristics carry both risk loadings and non-zero mispricing; pure-$\alpha$ portfolios earn Sharpe > 3.
7. Connection to other papers in this series
- Connor-Linton (2007) — IPCA's conceptual ancestor; KPS modernise with linear form and time-varying $z$.
- Freyberger-Neuhierl-Weber (2020) — provides IPCA's 36-char panel.
- Bai-Ng (2002), Bai (2003) — IPCA's asymptotic theory builds on these.
- CRW (2023) — direct critique and alternative.
8. What this gives the AOF model
- The pre-existing benchmark. Any AOF factor model has to be compared against IPCA on the same data. First AOF deliverable: "regressed-PCA gives X, IPCA gives Y; here's why and what the differences mean".
- Reference for alternating-least-squares machinery. Even if AOF runs regressed-PCA, the IPCA codebase is useful as a robustness check (test for $\alpha = 0$ under linearity).
- A cautionary tale. Pre-committing to a specific $K$ (FF style) can flip empirical conclusions about mispricing. The AOF pipeline should always select $K$ from data and report both R and U fits.
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.
9. Reading next
論文の要点
- IPCA = Instrumented PCA。「インストルメント」は企業特性。
- モデル：$r_{i,t+1} = \alpha_{it} + \beta_{it}' f_{t+1} + \varepsilon_{i,t+1}$、$\alpha_{it} = z_{it}'\Gamma_\alpha$、$\beta_{it} = z_{it}'\Gamma_\beta$ — 特性について線形。
- 推定量：$\Gamma_\alpha, \Gamma_\beta, f$ について交互最小二乗。
- 主張：5 ファクター IPCA が米国個別株のクロスセクションを FF5 よりはるかに良く説明。
- 主題 — 「特性は共分散である」 — 特性のリターン予測力は時間変動するローディングを通じてであり、ミスプライシングではない。
- CRW (2023) の直接の比較対象。同じデータで競争、線形性を緩めて逆の結論に到達。
1. なぜこの論文が必要か
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：
- これらは低次元のファクター構造に整理可能か？
- 特性とリターンの関係はリスク（時間変動ベータ）かミスプライシング（非ゼロアルファ）か？
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。
2. モデル
$$ r_{i, t+1} \;=\; \alpha_{it} \;+\; \beta_{it}'\, f_{t+1} \;+\; \varepsilon_{i, t+1}, $$
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」。
3. 推定量 — 交互最小二乗
$(\Gamma_\alpha, \Gamma_\beta, f)$ 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。
3.1 第 1 段階 — $\Gamma_\alpha, \Gamma_\beta$ 既知で $f_{t+1}$ を推定
$$ \hat f_{t+1} \;=\; \bigl(\Gamma_\beta'\, Z_t' Z_t\, \Gamma_\beta\bigr)^{-1} \Gamma_\beta'\, Z_t'\, (R_{t+1} - Z_t \Gamma_\alpha). $$
3.2 第 2 段階 — $f$ 既知で $\Gamma_\alpha, \Gamma_\beta$ を推定
$$ [\hat\Gamma_\alpha,\, \hat\Gamma_\beta] \;=\; \arg\min \sum_{i,t} \bigl( r_{i,t+1} - z_{it}'\Gamma_\alpha - z_{it}'\Gamma_\beta\, f_{t+1}\bigr)^2. $$
収束まで反復。同時 MSE の定常点に証明可能に到達。
4. IPCA が本当にやっていること
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。
5. 実証結果
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。
6. CRW の批判
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：
- 線形性。$\alpha = z'\Gamma_\alpha$ はミスプライシングを線形に強制。真の $\alpha(z)$ が非線形ならば、線形制約が genuine α を spurious β に吸収する可能性。CRW のノンパラ仕様は非ゼロアルファを露呈する。
- 同時目的関数。IPCA の TS+XS 同時 MSE はファクターが特性の平均リターンパターンを吸収するのを許す。CRW は共動のみを説明するファクターを抽出し、クロスセクションパターンを $\alpha$ に残す。
- K 選択。KPS は $K=5$ にコミット。CRW のデータ駆動固有値比セレクターは同じデータで $K=1$ or $2$ を選ぶ。
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。
7. 本シリーズ内での位置づけ
- Connor-Linton (2007) — IPCA の概念的祖先。KPS が線形・時間変動 $z$ で近代化。
- Freyberger-Neuhierl-Weber (2020) — IPCA の 36 特性パネルを提供。
- Bai-Ng (2002), Bai (2003) — IPCA の漸近論はこれらに基づく。
- CRW (2023) — 直接の批判と代替。
8. AOF モデルへの貢献
- 既存ベンチマーク。あらゆる AOF ファクターモデルは同じデータで IPCA と比較されるべき。AOF の最初の deliverable：「regressed-PCA はこれを得る、IPCA はこれを得る、その理由と差の意味」。
- 交互最小二乗の参照実装。AOF が regressed-PCA を採用しても、IPCA コードベースは線形制約下での $\alpha = 0$ ロバストネスチェックとして有用。
- 戒めとしての事例。特定の $K$ への事前コミット（FF 流）は実証結論を大きく変えうる。AOF パイプラインは常に $K$ をデータから選択し、R と U の両仕様を報告する。
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。
9. 次に読むべきもの