量化投资基础：定义、发展历程、主要策略类型及财务因子选股的定位
量化投资（Quantitative Investing）是以数学、统计学和计算机科学为基础，通过建立数学模型来驱动投资决策的过程。它并非一种单一的策略，而是一套完整的投资方法论体系。理解量化投资的定义边界、演进脉络和策略谱系，是掌握财务因子选股的前提。财务因子选股本质上是量化投资中“多因子模型”的一个子集，其核心逻辑在于：通过系统化地处理财务报表数据，寻找能够持续解释股票收益差异的共性特征。
2.1 量化投资的定义与核心特征
量化投资的核心不是“用电脑代替人脑”，而是将投资逻辑转化为可验证的数学规则。其定义包含三个关键要素：系统化决策（规则明确、不依赖主观情绪）、统计验证（策略需经过历史数据回测）、可重复执行（同一信号在不同时间产生一致操作）。与传统基本面投资相比，量化投资更强调“概率优势”而非单次判断的准确性。
| 维度 | 传统主观投资 | 量化投资 |
|---|---|---|
| 决策依据 | 分析师经验、深度调研、管理层沟通 | 历史数据统计规律、数学模型 |
| 持仓数量 | 通常 10-50 只，集中持仓 | 通常 50-500 只，分散持仓 |
| 持仓周期 | 数月至数年 | 数日至数月（取决于策略频率） |
| 风险控制 | 依赖主观判断和仓位管理 | 预设止损、行业中性、因子暴露控制 |
| 可扩展性 | 受限于投研人员精力 | 可同时覆盖全市场数千只标的 |
2.2 量化投资的发展历程：从理论到工程化
量化投资的发展可划分为四个阶段，每个阶段都对应着技术手段和投资理念的跃迁。理解这一演进过程，有助于我们判断财务因子选股在当前量化生态中的位置。
- 理论奠基期（1950s-1970s）：马科维茨的均值-方差模型（1952）首次将投资组合问题数学化；夏普的资本资产定价模型（CAPM，1964）提出了系统性风险的概念；法玛的有效市场假说（1970）引发了关于市场是否可预测的长期争论。这一时期为量化投资提供了理论框架。
- 实证探索期（1980s-1990s）：法玛和弗伦奇（1992）提出三因子模型（市场、规模、账面市值比），首次系统性地用因子解释股票收益差异。与此同时，计算机技术的普及使得大规模数据处理成为可能，统计套利开始在华尔街兴起。
- 高速发展期（2000s-2015）：随着电子交易平台和高速网络的普及，高频交易（HFT）和算法交易占据市场主导地位。多因子模型从学术走向实践，Barra 等风险模型成为机构标配。这一时期，因子投资逐渐产品化，Smart Beta ETF 开始流行。
- 智能融合期（2015-至今）：机器学习、自然语言处理（NLP）和另类数据（卫星图像、电商数据、舆情数据）被引入量化体系。但与此同时，传统财务因子的有效性在部分市场出现衰减，促使研究者将基本面因子与高频数据、投资者情绪等结合，形成“基本面量化”的新范式。
2.3 量化投资的主要策略类型
量化策略的分类维度多样，按交易频率可分为高频、中频和低频；按收益来源可分为 Alpha（超额收益）和 Beta（市场收益）；按资产类别可分为股票、期货、期权等。以下从策略逻辑角度梳理四类主流策略：
| 策略类型 | 核心逻辑 | 典型持仓周期 | 主要风险 | 与财务因子的关系 |
|---|---|---|---|---|
| 趋势跟踪/CTA | 价格突破、均线排列、动量延续 | 数日至数周 | 震荡市反复止损 | 弱相关，主要依赖价格数据 |
| 统计套利 | 价差回归、配对交易、协整关系 | 数日至数周 | 价差持续偏离、流动性风险 | 可结合基本面指标筛选配对标的 |
| 事件驱动 | 业绩预告、并购重组、股权激励 | 事件前后数日至数月 | 事件不确定性、内幕交易风险 | 财务因子可辅助判断事件影响方向 |
| 多因子选股 | 综合多个因子打分，选出预期收益最高的股票组合 | 月度/季度调仓 | 因子失效、风格切换 | 财务因子是多因子模型的核心组成部分 |
2.4 财务因子选股的定位：多因子模型中的“基本面锚”
在多因子选股体系中，因子通常被划分为三类：宏观因子（利率、通胀等，通常用于择时或行业配置）、风格因子（动量、规模、波动率等，反映市场参与者的行为偏好）、基本面因子（估值、盈利、成长、财务杠杆等，直接来源于财务报表）。财务因子选股正是聚焦于第三类，其核心假设是：市场对财务信息的反应存在系统性偏差，导致具有某些财务特征的股票被错误定价。
财务因子选股在量化投资中的独特定位体现在三个层面：
- 逻辑可解释性：相比高频价量因子，财务因子具有明确的经济含义。例如，低市盈率（PE）代表股票相对便宜，高ROE代表公司盈利能力强。这种可解释性使得策略更容易获得投资者信任，也便于在因子失效时进行归因分析。
- 容量优势：财务因子通常以月度或季度为调仓频率，交易成本较低，资金容量远高于高频策略。对于管理规模较大的机构投资者，财务因子选股是承载大资金的核心策略之一。
- 与其他因子的互补性：财务因子与动量因子、低波动因子的相关性较低，将其纳入多因子模型可以有效分散风险。例如，动量因子捕捉短期价格趋势，而财务因子捕捉中长期基本面价值，两者结合往往能产生更稳健的超额收益。
2.5 案例拆解：从零构建一个简单的财务因子选股流程
为帮助理解财务因子选股在量化体系中的实际运作，我们以一个简化的案例说明完整流程。假设我们使用 A 股市场 2020-2023 年的数据，构建一个基于 ROE（净资产收益率）和 PE（市盈率）的双因子选股策略。
背景与约束：投资范围为沪深 300 成分股，调仓频率为季度，每次调仓持有 30 只股票，等权重配置。数据来源为 Wind 或 Choice 终端，回测平台为 Python + Backtrader 或聚宽/米筐等在线平台。
操作流程：
- 数据准备：获取每只股票最近 4 个季度的 ROE（TTM）和 PE（TTM），剔除 ROE 为负或 PE 为负的股票（亏损企业不适合用 PE 估值）。
- 因子处理：对 ROE 和 PE 分别进行行业中性化处理（减去行业内中位数），再计算综合得分：
Score = 0.5 × Z(ROE) - 0.5 × Z(PE)，其中 Z 表示标准化后的数值。 - 组合构建：按综合得分从高到低排序，选取前 30 只股票等权重买入。
- 回测验证：设定交易成本为双边 0.3%（佣金+印花税+滑点），对比策略收益与沪深 300 指数收益。
结果与复盘：在 2020-2023 年期间，该策略年化收益约为 12.5%，同期沪深 300 年化收益为 3.2%，超额收益约 9.3 个百分点。最大回撤为 18.7%，略高于指数的 15.2%。进一步分析发现，策略在 2021 年一季度（核心资产泡沫期）表现不佳，原因是高 ROE 股票当时估值过高，PE 因子未能有效过滤估值风险。复盘结论：单一财务因子组合在特定市场风格下存在脆弱性，后续可加入动量因子或质量因子进行改进。
2.6 常见误区与总结复盘
在学习和实践财务因子选股时，以下误区值得特别注意：
| 误区 | 具体表现 | 正确做法 |
|---|---|---|
| 过度拟合 | 在历史数据上反复调整因子参数，直到回测曲线完美 | 使用样本外数据验证，限制参数搜索空间，关注因子经济逻辑 |
| 忽视幸存者偏差 | 回测时只使用当前仍在交易的股票，退市股票被忽略 | 使用历史时点的全部股票池，包含已退市标的 |
| 忽略交易成本 | 回测中未计入佣金、冲击成本和涨跌停限制 | 按实际交易环境设置成本参数，高频调仓策略尤其注意 |
| 因子数据时滞 | 使用当期财报数据回测，但财报实际发布时间滞后 1-4 个月 | 使用财报实际披露日期，避免未来函数 |
| 行业暴露失控 | 选出的股票集中在某一行业，导致组合风险过度集中 | 进行行业中性化处理，或设置行业权重上限 |