专业里叫误差项或者残差，大白话就是模型没解释掉的那一截。

Week 2–3 先给它立规矩。Gauss-Markov 假设里有三条直接管着它：均值上要求解释变量里不含它的信息，方差上要求它的波动不随解释变量变化，时间序列还要额外加一条，不同时期之间互不相关。伏笔到这里就埋好了，因为接下来一整个学期做的事，就是一条一条去看这些规矩在金融数据上还成不成立。Week 4 的 CAPM 让它第一次变成看得见的东西：资产的超额收益对市场超额收益做回归，截距是 alpha，斜率是 beta，剩下那一截就是市场解释不了的个股特异因素。比如美国五个行业组合 2000 年到 2021 年的日度回归里，Consumer、Manufacturing、Hi-Tech 和 Other 的 R² 都在 80% 以上，Health 只有 64.58%，三成多的收益变动全落进了残差。同一张表上 Health 的 alpha 是 0.2520，95% 置信区间不含 0。有意思的是，市场没解释掉的部分很大，里面还留着一块系统性的偏离。

Week 5 到 Week 9 顺着这条线往下追问：能不能用已有信息预测未来收益、这种预测怎么做推断、怎么检验，以及假设不成立时怎么继续。有个结论你可以先收着，残差的波动一旦不稳定，系数还能用，标准误却算错了，检验结论跟着不能信。到了 Week 10 至 Week 12，course 干脆给这一截东西的波动单独建模。

每周换的是模型的名字，追的是同一个问题。

📈 收益率猜不动，波动却有迹可循

同一批残差，换个角度看，结论就换了。

NASDAQ 的日收益率试着用前一天预测后一天，系数只有 0.0462，统计上显著，数值却小到几乎用不上，整条收益率序列基本上看不出规律。接着把同一批残差取平方，也就是只看波动幅度、不管涨跌方向，再回头看：隔 1 天的相关性大约 0.35，隔 2 天到 20 天一路停在 0.2 到 0.3 之间。这就顶到了同方差假设的软肋，波动恒定这条要是成立，残差平方之间应该看不出任何相关性。数据给出的是持续显著的相关。

🧪 再看一个更直观的对照。把恒定波动的假设套在包含 2008 到 2009 年危机的样本上，S&P 500 有 20.8% 的观测落在 95% 置信区间之外，理论上应该只有 5%；换成相对平静的 2009 年 10 月到 12 月，同一个假设拟合得还可以。波动会成群结队地来，平静期看不出来。

🏆 这条路通向 Robert Engle 的 ARCH 模型，他因为给条件方差建模拿到 2003 年的诺贝尔经济学奖。这门课一开场就把这句话摆在台面上：价格和收益率太难预测，收益率的方差没那么难预测。Week 12 把波动率、波动率模型和 Value-at-Risk 放成最后一周的新内容，理由就在这儿。

💵 学会以后你能做的事情也很具体。假设你手上有 1000 万美元的组合，日收益率服从均值 0.001、标准差 0.015 的正态分布，代进 VaR 公式，5%-VaR 是 23.67 万美元。同一个数字有三种等价读法：

• 有 5% 的概率，一天亏损超过 23.67 万美元
• 有 5% 的概率，组合价值跌破 976.33 万美元
• 95% 的日子里，最大日亏损是 23.67 万美元

把「波动率 1.5%」翻译成「最坏一天可能亏 23 万」，这就是这门课想让你练出来的手感。

🧭 每拿到一个新模型，先给残差做个体检

整门课看着是十几个模型轮番上场，串起来的是同一套追问。每学一个新模型，先问它三个问题：

• 它假设残差的均值是什么？
• 它假设残差的波动恒定，还是允许随时间变化？
• 它假设残差在时间上有没有关系？

三个问题对应三条规矩，坏哪一条，换哪一步的工具。同方差坏了，系数还能用，标准误换成稳健的；残差平方出现持续相关，就该给波动本身建模，进 ARCH 和 GARCH 这一支；序列相关坏了，系数仍然无偏、仍然一致，BLUE 和常规标准误失效；均值那一条坏了，比如漏掉了重要变量，系数本身就失去可信度。

这套问法在 ECMT2130 上特别顺手。禁用 AI 的两场纸笔 exam 合起来 70%，考的多是某个估计量在什么条件下有什么性质、某条假设坏了会发生什么，这三个问题直接给出答题骨架。小组数据分析要在真实数据上走同一套流程：估均值模型、看残差、判断要不要换工具、解释结论。到了 review 周，这条线还能把 Week 2 到 Week 12 串起来，省掉把十几个模型当成十几件互不相干的事硬背。

🔑 ECMT2130 的黄金法则就一句：模型的名字每周都在换，你要盯的一直是残差还守不守那三条规矩，坏哪一条，换哪一步的工具。