本章采用的DMA方法融合了状态空间模型和贝叶斯模型平均方法的优点,一方面,状态空间模型的卡尔曼滤波算法能够根据预测值和实际值的差异将系统参数更准确地估计出来,而不是像最小二乘法那样简单地将扰动信息作为误差归纳到残差项中,能够更加有效地利用尽可能多的信息;另一方面,采用贝叶斯模型平均方法不仅能够允许因子模型的参数不断变化,也允许模型的因子个数不断变化,具有很强的灵活性和很高的拟合水平。总之,采用DMA方法能够获得比滚动窗口线性回归更加准确和全面的结果。另外,DMA方法在实践中还可以用于基金的动态业绩归因、风格分析和盈利能力判断等领域,具有重要的实践意义。