2、因子投资基础：因子、因子收益、因子暴露的基本概念，以及因子模型与CAPM、APT等经典理论的关系
因子投资是现代量化投资体系的核心方法论。要理解多因子模型，首先需要厘清三个最基础的概念：因子（Factor）、因子收益（Factor Return）和因子暴露（Factor Exposure）。这三者构成了从“宏观风险来源”到“个股收益分解”的完整逻辑链条。同时，因子模型并非凭空产生，它是在资本资产定价模型（CAPM）和套利定价理论（APT）的基础上逐步演化而来的。本章将系统梳理这些基础概念，并厘清它们之间的理论脉络与实战含义。
2.1 因子的本质：风险源与收益源的统一
在金融学语境中，因子（Factor）是驱动资产收益共同变动的系统性风险来源。它并非某个具体的股票或债券，而是一种抽象的风险维度。例如，宏观经济中的GDP增速、通货膨胀率、无风险利率水平，或者市场风格中的价值/成长、大盘/小盘，都可以成为因子。因子的核心特征在于：它能够解释一组资产收益的横截面差异，并且这种解释力具有统计显著性和经济逻辑。
从投资实践角度看，因子具有三个关键属性：普遍性（影响多个资产）、可投资性（能够通过组合构建获得暴露）、溢价性（长期来看承担该风险应获得补偿）。例如，价值因子（账面市值比）之所以被广泛研究，是因为历史数据表明，长期持有低估值股票组合能够获得超越高估值组合的收益，这种超额收益就是价值因子的风险溢价。
2.2 因子收益与因子暴露：定价模型的两大支柱
因子收益（Factor Return），通常记为 λ（Lambda），是指承担某一单位因子风险所获得的超额收益补偿。在实证中，因子收益通常通过构造多空组合（做多高暴露股票、做空低暴露股票）的收益率来估计。例如，Fama-French三因子模型中的规模因子（SMB），其因子收益就是小盘股组合与大盘股组合的收益率之差。
因子暴露（Factor Exposure），通常记为 β（Beta），是指资产收益率对因子收益的敏感度。它衡量的是：当因子收益变动1%时，该资产的预期收益率变动百分之多少。因子暴露可以通过时间序列回归（个股收益率对因子收益率回归）或横截面回归（个股特征对因子值回归）来估计。
| 概念 | 符号 | 含义 | 估计方法 | 实战用途 |
|---|---|---|---|---|
| 因子收益 | λₖ | 因子k的风险溢价 | 多空组合收益率、时间序列回归 | 判断因子有效性、因子择时 |
| 因子暴露 | βᵢₖ | 资产i对因子k的敏感度 | 时间序列回归、特征打分 | 组合构建、风险控制、归因分析 |
| 特质收益 | αᵢ | 无法被因子解释的收益 | 回归截距项 | 选股能力评估、Alpha策略 |
在实战中，因子暴露的估计需要特别注意数据频率和窗口选择。日频数据回归通常能获得更精确的β估计，但容易受到微观结构噪声的影响；月频数据虽然噪声较小，但样本量有限。常用的做法是使用日频数据、滚动窗口（如252个交易日）进行回归，并对β进行缩尾和标准化处理。
2.3 从CAPM到APT：因子模型的理论演进
理解因子模型的理论源头，有助于我们把握其适用边界和局限性。资本资产定价模型（CAPM）由Sharpe（1964）、Lintner（1965）和Mossin（1966）提出，它建立了单个资产预期收益与市场组合风险之间的线性关系：E(Rᵢ) = Rf + βᵢ × [E(Rm) - Rf]。CAPM的核心假设包括投资者同质预期、无摩擦市场、所有资产可交易等。尽管CAPM在实证中表现不佳（市场因子无法完全解释收益差异），但它奠定了“风险-收益”线性定价的范式。
套利定价理论（APT）由Ross（1976）提出，它放松了CAPM的严格假设，认为资产的预期收益可以由多个因子共同解释：E(Rᵢ) = Rf + Σ(βᵢₖ × λₖ)。APT不要求识别具体因子，只假设存在若干系统性风险源，且市场不存在无风险套利机会。APT为多因子模型提供了理论合法性——只要找到能够解释收益差异的系统性因子，就可以构建更精确的定价模型。
2.4 实战场景：从理论到组合构建的映射
假设我们管理一个A股量化组合，目标是构建一个价值+质量双因子模型。具体步骤如下：
- 因子定义：价值因子选用EP（盈利收益率）、BP（账面市值比）、SP（营收市值比）；质量因子选用ROE、毛利率、资产负债率。
- 因子暴露计算：对每只股票，计算其在各指标上的标准化得分（z-score），再按权重合成因子得分。这个得分就是该股票对价值/质量因子的暴露度。
- 因子收益估计：将全市场股票按因子得分排序，做多前20%、做空后20%，计算该多空组合的历史收益率序列，即为因子收益的代理变量。
- 组合构建：在约束行业中性、市值中性、个股权重上限等条件下，最大化组合的因子暴露（或最小化组合的因子暴露偏离度）。
- 绩效归因：定期（如每月）对组合收益进行归因，分解为因子贡献和Alpha贡献，检验因子是否持续有效。
2.5 因子模型的核心公式与矩阵表达
在多因子模型中，我们通常使用矩阵形式来表达截面收益分解。设第 t 期有 N 只股票，K 个因子，则截面回归模型为：
Rₜ = Xₜ × fₜ + εₜ其中，Rₜ 是 N×1 的个股收益率向量；Xₜ 是 N×K 的因子暴露矩阵（每行代表一只股票对K个因子的暴露）；fₜ 是 K×1 的因子收益向量；εₜ 是 N×1 的特质收益向量。通过横截面回归（通常采用加权最小二乘法，权重为市值或等权），可以估计出每期的因子收益 fₜ。
这一矩阵表达清晰地揭示了因子投资的核心操作：估计暴露（Xₜ）→ 回归因子收益（fₜ）→ 分解收益（Rₜ = Xₜfₜ + εₜ）→ 构建组合（调整Xₜ）。整个流程构成了因子投资的基础设施。
2.6 总结与复盘：因子投资的底层逻辑
本章的核心在于建立三个基本认知：第一，因子是系统性的风险源，它连接了宏观经济与资产价格；第二，因子收益和因子暴露是因子定价模型的两个支柱，分别回答了“承担该风险能获得多少补偿”和“我承担了多少该风险”这两个问题；第三，CAPM和APT为因子模型提供了理论合法性，而Fama-French系列模型和Barra模型则是理论在实证中的具体落地。
| 模型 | 提出时间 | 因子数量 | 核心因子 | 局限性 |
|---|---|---|---|---|
| CAPM | 1964 | 1 | 市场组合 | 无法解释规模、价值等异象 |
| APT | 1976 | 多因子 | 未指定具体因子 | 因子识别依赖研究者主观判断 |
| Fama-French三因子 | 1993 | 3 | 市场、规模（SMB）、价值（HML） | 无法解释动量异象 |
| Fama-French五因子 | 2015 | 5 | 市场、规模、价值、盈利（RMW）、投资（CMA） | 模型复杂度上升，部分因子冗余 |
在后续章节中，我们将深入探讨如何构建因子库、如何检验因子的有效性、如何处理因子之间的相关性，以及如何将因子模型应用于组合优化和风险控制。掌握本章的基础概念，是进入多因子模型构建实战的必备前提。