2. 因子投资基础

因子投资，说白了就是找规律。你想想看，为什么有些股票涨得好，有些就是趴着不动？背后一定有某种共同的原因在驱动。这个「共同的原因」，就是因子。

我刚开始做量化那会儿，总觉得因子投资很玄乎。后来踩了不少坑才明白——因子投资本质上是一种系统化的投资方法，它试图用可解释、可复现的规则来解释资产收益的来源。

因子投资的定义

因子投资的核心逻辑很简单：找到那些能够持续解释资产收益差异的共性特征。比如，小市值公司长期跑赢大市值公司，这就是一个因子——市值因子。

用公式表达就是：

资产预期收益 = 无风险利率 + Σ(因子暴露 × 因子溢价)

每个因子代表一种风险源或行为偏差。你暴露在某个因子上，就要承担对应的风险，也获得对应的回报。

因子的三大分类

我个人习惯把因子分成三类：风格因子、宏观因子、另类因子。这样分的好处是——你一眼就能看出这个因子是赚谁的钱。

1. 风格因子

风格因子是最常见的，主要描述股票自身的特征。比如：

• 市值因子：小盘股 vs 大盘股
• 价值因子：低估值 vs 高估值
• 动量因子：过去涨得好的 vs 涨得差的
• 质量因子：高盈利、低负债的公司
• 低波因子：波动率低的股票

这些因子在学术上已经被反复验证过。我记得第一次用A股数据跑价值因子时，发现效果比差不少——后来才意识到，A股的壳价值污染了市值和价值的信号。嗯，这里要注意，因子在不同市场会有「水土不服」。

2. 宏观因子

宏观因子描述的是整个经济环境的变化。比如：

• 利率因子：利率上升时，成长股承压
• 通胀因子：高通胀环境下，资源股受益
• 信用利差因子：反映市场风险偏好
• 经济增长因子：GDP增速超预期的影响

宏观因子有个特点——它影响的是整个组合，而不是某只股票。我在做多资产配置项目时，宏观因子是必选项，因为它能解释60%以上的组合波动。

3. 另类因子

另类因子来自非传统数据源。这几年越来越火，比如：

• 舆情因子：新闻情感、社交媒体热度
• 供应链因子：上下游企业的关联信号
• 卫星数据因子：停车场车流量、农作物长势
• 支付数据因子：信用卡消费趋势

另类因子的优势是信息含量高、竞争相对小。但坑也很多——数据质量参差不齐，处理成本高。我曾经花三个月清洗一套舆情数据，最后发现信号还不如简单的市盈率因子稳定。所以我的建议是：先搞定传统因子，再考虑另类因子。

因子类型	数据来源	解释力	常见陷阱
风格因子	财务报表、行情数据	中	因子拥挤、风格切换
宏观因子	经济指标、央行数据	高（组合层面）	低频、滞后
另类因子	非结构化数据	不确定	数据噪声、过拟合

多因子模型简介

单因子模型有个致命问题——你没法解释收益的全部来源。比如，一只小盘价值股涨了，到底是市值因子在起作用，还是价值因子？

多因子模型就是来解决这个问题的。它把多个因子放在一起，看看每个因子贡献了多少收益。

Fama-French三因子模型

这是多因子模型的鼻祖。1993年，Fama和French在CAPM的基础上加了两个因子：

R_i - R_f = α + β₁(R_m - R_f) + β₂·SMB + β₃·HML + ε

其中：

• R_m - R_f：市场超额收益（CAPM原有的）
• SMB（Small Minus Big）：市值因子，做多小盘股、做空大盘股
• HML（High Minus Low）：价值因子，做多高账面市值比、做空低账面市值比

这个模型的意义在于——它用三个因子就能解释大部分股票收益的差异。我当年第一次跑三因子回归时，看到R²从CAPM的0.3直接跳到0.8以上，说实话挺震撼的。

三因子模型的局限

当然，三因子模型也不是万能的。后来学者发现它解释不了动量效应、盈利能力差异等问题。于是有了五因子模型、四因子模型等变种。

但不管怎么变，核心思想没变：用少数几个因子，系统化地解释和预测收益。

因子投资的知识体系

下面这张图是我自己梳理的因子投资知识框架，帮你快速建立全局观：

这张图把因子投资的三个核心维度串起来了。左边是因子分类，右边是多因子模型。你从任何一个维度切入，都能找到对应的知识点。

我个人建议的学习路径是：先搞懂风格因子，再扩展到宏观因子，最后才是另类因子。多因子模型是贯穿始终的分析工具，每学一个因子，就用回归跑一遍，看看它到底贡献了多少收益。

因子投资这条路，入门不难，精通很难。但只要你把基础打牢了，后面挖因子、建策略的时候，会少踩很多坑。