2. 因子模型概述
因子模型是量化投资与组合风险归因的基石。它将资产的收益率分解为若干共同因子（系统性风险）的暴露与一个特质性残差项，从而将高维的协方差矩阵降维，使风险分解与归因成为可能。本章从单因子模型出发，逐步过渡到以 Fama-French 为代表的多因子模型，并给出严格的数学表达与直观的图示。
2.1 单因子模型：CAPM 与市场模型
单因子模型假设资产收益率仅受一个共同因子驱动，最经典的实现是资本资产定价模型（CAPM）及其实证版本——市场模型。
2.1.1 数学表达
对于任意资产 \(i\)，其超额收益率 \(R_i\) 可表示为：
R_i = α_i + β_i · R_m + ε_i
其中：
- R_i = r_i - r_f，资产 i 的超额收益率
- R_m = r_m - r_f，市场组合的超额收益率
- β_i = Cov(R_i, R_m) / Var(R_m)，资产对市场因子的敏感度
- α_i = 截距项，代表资产的特异性超额收益（定价误差）
- ε_i = 残差项，满足 E[ε_i] = 0, Cov(R_m, ε_i) = 0
在 CAPM 的强假设下，所有资产的 α_i = 0，即市场已充分定价。但在实证中，α_i 常被用来衡量基金经理的选股能力。
2.1.2 风险分解
| 风险成分 | 符号 | 含义 | 是否可分散 |
|---|---|---|---|
| 系统性风险 | β_i² · σ²(R_m) | 由市场因子波动引起的风险 | 不可分散 |
| 特质性风险 | σ²(ε_i) | 资产自身特有的波动 | 可通过组合分散 |
| 总风险 | σ²(R_i) | 系统性 + 特质性 | — |
关键洞察： 单因子模型将协方差矩阵的估计从 O(N²) 降为 O(N)。对于 N 只股票，只需估计 N 个 β 和 1 个市场方差，而非 N(N+1)/2 个独立协方差参数。
应用提示： 在组合风险归因中，单因子模型将组合总风险拆解为“市场因子贡献”与“特质性残差贡献”，是后续多因子归因的基础。
2.2 多因子模型：从 APT 到 Fama-French
单因子模型无法解释许多市场异象（如小盘股溢价、价值股溢价），因此多因子模型应运而生。套利定价理论（APT）为多因子模型提供了理论框架：资产收益率受多个系统性因子驱动，且不存在无风险套利机会。
2.2.1 一般数学形式
R_i = α_i + β_i1 · F_1 + β_i2 · F_2 + ... + β_iK · F_K + ε_i
其中：
- F_k = 第 k 个因子收益率（已做多空对冲或超额处理）
- β_ik = 资产 i 对因子 k 的暴露（因子载荷）
- α_i = 截距项，多因子定价模型下应为 0
- ε_i = 特质性残差，E[ε_i] = 0, Cov(F_k, ε_i) = 0
2.2.2 Fama-French 三因子模型
Fama 与 French（1993）提出的三因子模型是实证多因子模型中最具影响力的版本：
R_i = α_i + β_iMKT · MKT + β_iSMB · SMB + β_iHML · HML + ε_i
因子定义：
- MKT = 市场超额收益率（R_m - R_f）
- SMB = 小盘股组合减大盘股组合收益率（Small Minus Big）
- HML = 高账面市值比减低账面市值比收益率（High Minus Low）
| 因子名称 | 经济含义 | 预期符号（典型） | 风险溢价方向 |
|---|---|---|---|
| MKT（市场） | 整体市场风险 | 正 | 承担市场风险获得补偿 |
| SMB（规模） | 小盘股相对于大盘股的风险 | 小盘股为正 | 小盘股流动性/财务困境溢价 |
| HML（价值） | 价值股相对于成长股的风险 | 价值股为正 | 价值股更高财务杠杆/经营风险 |
实证注意： Fama-French 因子是做多空组合构建的零投资组合收益率，并非原始指数收益率。在风险归因中，因子暴露 β 的估计需使用滚动窗口回归，并注意因子之间的多重共线性。
2.3 多因子模型的扩展
在 Fama-French 三因子基础上，后续研究加入了更多因子以解释截面收益差异：
- Carhart 四因子模型：加入动量因子（MOM，Winner Minus Loser），捕捉过去 12 个月收益率延续效应。
- Fama-French 五因子模型：加入盈利能力（RMW，Robust Minus Weak）与投资风格（CMA，Conservative Minus Aggressive）。
- Barra 风格因子模型：面向组合风险管理的多因子体系，包含行业因子与风格因子（如波动率、流动性、成长性等），因子数量可达 50+。
2.3.1 因子模型在风险归因中的角色
多因子模型将组合收益率方差分解为：
Var(R_p) = β_p' · Σ_F · β_p + σ²(ε_p)
其中：
- β_p = 组合对各因子的暴露向量（K×1）
- Σ_F = 因子收益率协方差矩阵（K×K）
- σ²(ε_p) = 组合特质性方差（可分散部分）
风险归因进一步将系统性风险 β_p' · Σ_F · β_p 拆解到每个因子：
- 因子 k 的边际风险贡献 = ∂Var(R_p)/∂β_pk
- 因子 k 的总风险贡献 = β_pk · (Σ_F · β_p)_k / Var(R_p)
2.4 因子模型选择与验证要点
在实际组合风险归因中，选择因子模型需考虑以下维度：
| 维度 | 单因子模型 | 三因子/四因子模型 | Barra 多因子模型 |
|---|---|---|---|
| 解释力度（R²） | 较低（通常 20%~40%） | 中等（40%~70%） | 较高（70%~95%） |
| 因子数量 | 1 | 3~4 | 30~60 |
| 因子可解释性 | 强（市场风险） | 较强（规模、价值、动量） | 中等（部分风格因子含义模糊） |
| 过拟合风险 | 低 | 低 | 中高（需样本外验证） |
| 风险归因粒度 | 粗（仅市场 vs 特质） | 中等（3~4 个因子维度） | 细（行业 + 风格 + 国家等） |
课程实践建议： 在《组合风险归因回放验证》课程中，建议先使用 Fama-French 三因子模型建立基线归因框架，再逐步引入更多因子。因子数量并非越多越好——因子之间的共线性会导致暴露估计不稳定，归因结果失去可解释性。
2.5 本章小结
- 单因子模型（CAPM/市场模型）将收益率分解为市场因子暴露与特质性残差，是风险归因的起点。
- 多因子模型（Fama-French 三因子、Carhart 四因子等）通过多个系统性因子解释截面收益差异，显著提升模型解释力。
- 因子模型的核心数学形式为 \(R_i = \alpha_i + \sum_{k=1}^K \beta_{ik} F_k + \varepsilon_i\)，风险归因在此基础上将组合方差拆解到各因子贡献。
- 因子选择需权衡解释力度、可解释性与过拟合风险；Barra 风格因子体系适用于精细化的组合风险监控。