2. 因子基础

在量化投研中，因子是对资产未来收益具有解释力或预测力的可量化特征。它既可以是估值、动量、质量等基本面或量价指标，也可以是分析师预期、舆情情绪等另类数据。理解因子的定义、分类、收益与暴露，是后续因子检验、中性化和衰减诊断的前提。

一、因子的定义与核心原理

从数学上看，因子是一个映射函数：给定股票 i 在时点 t 的特征向量，输出一个标量或向量值。例如，市净率倒数（B/P）可写作：

factor_BP(i, t) = book_value(i, t) / market_cap(i, t)

因子研究的核心假设是：具有某种特征的股票组合，其未来收益系统性高于或低于另一组。若按因子值排序后，多头组合与空头组合的收益差持续为正，则称该因子有效。因子收益并非保证收益，而是统计意义上的风险溢价或错误定价补偿。

二、常见因子分类与典型代表

按经济逻辑，因子通常分为以下几类：

因子类别	核心逻辑	典型指标	常见方向
价值	价格相对基本面偏低	B/P、E/P、CF/P、股息率	越高越好
动量	趋势延续	过去12月收益（剔除最近1月）	越高越好
质量	盈利稳定、财务健康	ROE、毛利率、资产负债率、应计项	ROE越高越好，应计越低越好
波动率	低风险异象	日收益标准差、Beta、特质波动率	越低越好
规模	小市值溢价	总市值对数	越小越好
成长	盈利增长预期	营收增速、净利润增速	越高越好

不同因子在不同市场、不同周期表现差异显著。价值因子在利率上行期常承压，动量因子在震荡市易发生反转，低波因子在避险情绪中往往占优。因此，因子分类不是终点，而是构建多因子模型和归因分析的起点。

三、因子收益与因子暴露的计算流程

因子收益通常通过横截面回归估计。以单因子为例，在每个调仓日 t，用股票收益对因子暴露做回归：

r_i = α + β * exposure_i + ε_i

其中 β 即为该因子的当期收益。多因子情形下，使用多元回归同时估计多个因子的收益。流程可归纳为：

1. 确定股票池与调仓频率（如全A、月度）。
2. 计算每只股票在 t 时刻的因子暴露，并进行去极值、标准化。
3. 计算 t 到 t+1 的持有期收益。
4. 横截面回归，得到因子收益序列。
5. 对因子收益序列做 t 检验、IC 分析、换手率评估。

四、案例场景：动量因子的暴露与收益

假设某月末，我们计算全市场股票的12个月动量暴露，并按暴露从高到低分为5组。若未来一个月，最高组收益为3.2%，最低组收益为1.1%，则多空收益差为2.1%。但这2.1%是否来自动量因子本身？还需检查两组在行业和市值上的分布是否均衡。

组别    平均动量暴露    下月收益
Q1（低）   -1.85        1.1%
Q2         -0.62        1.4%
Q3          0.05        1.9%
Q4          0.71        2.5%
Q5（高）    1.92        3.2%
多空差                  2.1%

若Q5组过度集中于某热门行业，则2.1%可能部分来自行业Beta而非动量。此时需进行行业中性化后重新分组，观察多空差是否依然显著。

五、常见误区与复盘要点

• 混淆因子暴露与因子收益：暴露高不代表未来收益一定高，需看因子收益是否为正且稳定。
• 忽略方向一致性：低波因子是“越低越好”，若未统一方向，IC符号会混乱。
• 未做中性化直接回归：行业和市值暴露会污染因子收益估计。
• 用全样本标准化：应使用横截面标准化，避免未来信息泄露。
• 只看多空收益不看单调性：分组收益应呈现单调递增或递减，否则因子逻辑存疑。

六、因子基础检查清单

• 因子定义是否清晰、可计算、无未来函数？
• 因子方向是否统一为“值越大预期收益越高”？
• 是否完成去极值、标准化、中性化？
• 因子收益是否通过显著性检验？
• 分组收益是否单调？多空差是否稳定？
• 换手率与交易成本是否可接受？

掌握因子的定义、分类、收益与暴露，是后续进行因子检验、中性化和衰减诊断的基础。只有先厘清因子在横截面和时间序列上的双重属性，才能避免在模型构建中把暴露误当收益、把相关当因果。