3、因子模型基础：CAPM、Fama-French三因子模型、多因子模型的演进与适用场景
因子模型是量化投资与资产定价研究的核心工具，其本质是将资产的预期收益分解为若干系统性风险的补偿之和。从资本资产定价模型（CAPM）到Fama-French三因子模型，再到近年流行的多因子模型，这一演进过程反映了学术界与业界对“风险”认知的不断深化。理解这一脉络，不仅有助于构建有效的因子投资组合，更能帮助分析师识别收益来源中的alpha与beta成分，避免对超额收益的误判。
3.1 CAPM：单一风险因子的理论基石
资本资产定价模型由William Sharpe（1964）、John Lintner（1965）和Jan Mossin（1966）在Markowitz均值-方差框架基础上发展而来。其核心思想是：在完美市场假设下，所有投资者持有相同的市场组合，单个资产的预期超额收益仅由其系统性风险（β）决定，非系统性风险可通过分散化消除，因此不获得风险补偿。
核心原理与数学表达
CAPM的数学形式简洁而优雅：
E(Ri) = Rf + βi × [E(Rm) - Rf]
其中：
- E(Ri)：资产i的预期收益率
- Rf：无风险利率（通常用短期国债收益率）
- E(Rm)：市场组合的预期收益率
- βi = Cov(Ri, Rm) / Var(Rm)：资产i对市场风险的敏感度
- [E(Rm) - Rf]：市场风险溢价β系数是CAPM的核心参数，它衡量资产收益对市场波动的敏感程度。β=1表示资产与市场同步波动；β>1表示资产波动大于市场（进攻型）；β<1表示资产波动小于市场（防御型）。
CAPM的实证检验与局限
尽管CAPM在理论上逻辑自洽，但大量实证研究发现了其无法解释的异象：
- 规模效应（Size Effect）：Banz（1981）发现小市值股票的平均收益高于CAPM预测值，即使考虑了β后仍然存在。
- 价值效应（Value Effect）：Stattman（1980）和Rosenberg等（1985）发现高账面市值比（B/M）的股票收益显著高于低B/M股票。
- 动量效应（Momentum）：Jegadeesh和Titman（1993）发现过去3-12个月表现好的股票在未来继续跑赢。
这些异象表明，市场风险并非唯一被定价的风险来源，CAPM的单一因子结构过于简化。
3.2 Fama-French三因子模型：系统性风险的扩展
Eugene Fama和Kenneth French在1993年提出三因子模型，将CAPM扩展为包含市场风险、规模风险和价值风险三个维度的定价框架。这一模型并非否定CAPM，而是对其“未充分描述风险”的修正。
三因子的构建方法
三因子模型的因子构建遵循严格的组合排序法：
- SMB（Small Minus Big）：按市值中位数将股票分为小盘（Small）和大盘（Big）两组，SMB = 小盘股组合收益 - 大盘股组合收益，衡量规模溢价。
- HML（High Minus Low）：按账面市值比（B/M）的30%和70%分位点分为高B/M（价值股）和低B/M（成长股）三组，HML = 高B/M组合收益 - 低B/M组合收益，衡量价值溢价。
- MKT（市场因子）：即市场组合超额收益，与CAPM中的市场因子一致。
| 因子名称 | 构建方式 | 经济含义 | 预期符号 |
|---|---|---|---|
| MKT | 市场组合收益 - 无风险利率 | 整体市场风险补偿 | 正 |
| SMB | 小市值组合 - 大市值组合 | 规模风险溢价（小公司更脆弱） | 小盘股为正 |
| HML | 高B/M组合 - 低B/M组合 | 财务困境风险溢价（价值股风险更高） | 价值股为正 |
三因子模型的回归方程
Ri - Rf = α + βm·(Rm - Rf) + βs·SMB + βv·HML + εi回归中，α代表模型无法解释的超额收益。如果α显著不为零，说明存在模型之外的定价因子或真正的alpha机会。Fama和French（1993）发现，加入SMB和HML后，大部分股票横截面收益差异可以被解释，α不再显著。
3.3 多因子模型的演进：从三因子到因子动物园
三因子模型成功解释了规模和价值效应，但后续研究发现了更多无法被三因子解释的异象。Carhart（1997）加入动量因子（UMD）形成四因子模型；Fama-French（2015）进一步扩展为五因子模型，加入盈利因子（RMW）和投资因子（CMA）。与此同时，学术界和业界涌现出数百个候选因子，形成了所谓的“因子动物园”（Factor Zoo）。
主流多因子模型的扩展脉络
- Carhart四因子（1997）：三因子 + 动量因子（UMD），捕捉股价趋势延续效应。
- Fama-French五因子（2015）：三因子 + 盈利因子（RMW，高盈利减低盈利）+ 投资因子（CMA，保守投资减激进投资）。
- q-factor模型（Hou-Xue-Zhang, 2015）：市场 + 规模 + 投资 + 盈利，基于投资q理论。
- Barra风格因子体系：涵盖规模、价值、动量、质量、波动率、流动性等10大类风格因子，广泛应用于组合风险归因。
多因子模型的适用场景与选择策略
选择多少因子、哪些因子，取决于具体应用场景：
| 应用场景 | 推荐模型 | 选择理由 |
|---|---|---|
| 资产定价学术研究 | FF五因子或q-factor | 理论支撑强，解释力高 |
| 公募基金业绩归因 | Carhart四因子 | 动量因子对基金收益解释力强 |
| 量化选股策略 | 自定义多因子（10-20个） | 追求alpha多样性，需控制过拟合 |
| 风险预算与组合优化 | Barra风格因子体系 | 覆盖全面，便于风险分解 |
3.4 案例拆解：三因子模型在A股基金归因中的应用
假设某公募基金“量化先锋A”在2023年取得了15%的年度收益，同期沪深300指数收益为-5%，无风险利率为2%。我们使用三因子模型进行业绩归因，判断其超额收益来源。
背景与约束：该基金合同规定股票仓位80%-95%，主要投资于中小盘成长股。我们获取该基金2023年月度收益数据，以及对应的市场因子（沪深300）、SMB和HML因子数据。
回归结果：
Ri - Rf = 0.002 + 0.85×(Rm - Rf) + 0.62×SMB - 0.18×HML + εi
(t=1.82) (t=12.45) (t=4.32) (t=-1.56)
R² = 0.92, 年化alpha = 2.4%分析判断过程：
- 市场暴露：β=0.85，低于1，说明基金相对沪深300更保守，在市场下跌时损失较小。
- 规模暴露：SMB系数0.62且显著，说明基金明显偏向小盘股，2023年小盘风格占优贡献了正收益。
- 价值暴露：HML系数-0.18不显著，说明基金在价值/成长维度上没有明显偏向。
- alpha解读：年化alpha=2.4%，t值1.82，在5%显著性水平下不显著，说明超额收益主要来自风格暴露而非选股能力。
实际操作与结果：基于上述归因，投资经理决定将基金定位从“全市场选股”调整为“小盘成长风格”，并在招募说明书中明确风格标签。调整后，投资者预期更清晰，基金规模稳定度提升。
3.5 常见误区与复盘总结
在因子模型的应用中，以下误区值得警惕：
- 误区一：因子越多越好。大量因子会带来过拟合风险，样本外表现往往大幅衰减。建议使用理论驱动+统计检验双重筛选。
- 误区二：忽视因子之间的相关性。价值因子与低波动因子、质量因子与盈利因子之间常存在较高相关性，导致多重共线性问题。
- 误区三：静态看待因子暴露。因子的有效性具有时变性，需要动态监控因子暴露和因子收益的稳定性。
- 误区四：将alpha与beta混淆。许多看似alpha的收益实际上是风格beta，一旦风格切换，收益就会回吐。