4、因子投资核心理论：有效市场假说、多因子模型（CAPM、Fama-French三因子/五因子）、因子溢价来源
因子投资并非简单的“选几个指标打分”，其背后是一套严谨的资产定价理论体系。理解有效市场假说（EMH）决定了我们为何要寻找因子；理解CAPM与Fama-French多因子模型决定了我们如何度量因子收益；理解因子溢价的来源则决定了我们能否在实盘中持续获取超额收益。本章将沿着“理论→模型→来源”的路径，帮助你在量化选股中建立坚实的理论底座。
4.1 有效市场假说：因子投资的逻辑起点
有效市场假说（Efficient Market Hypothesis, EMH）由尤金·法玛（Eugene Fama）于1970年系统提出，它定义了市场价格对信息的反映程度。理解EMH并非为了争论市场是否有效，而是为了回答一个根本问题：我们凭什么相信通过因子选股能获得超额收益？
4.1.1 三种市场有效形式
| 市场形式 | 价格反映的信息 | 对因子投资的含义 |
|---|---|---|
| 弱式有效 | 历史价格、成交量 | 技术分析无效，但基本面因子仍可能有效 |
| 半强式有效 | 所有公开信息 | 公开财报因子无效，但私有信息或另类数据可能有效 |
| 强式有效 | 所有信息（含内幕） | 任何因子都无法获得超额收益 |
实证研究表明，A股市场目前处于弱式到半强式之间。这意味着：基于历史价格的技术因子（如动量、均线突破）在A股仍有短期效果，但衰减很快；而基于基本面数据的价值、质量因子在中长期维度上表现更为稳定。这正是因子投资在A股能够成立的市场基础。
4.2 从CAPM到多因子模型：因子收益的度量框架
资本资产定价模型（CAPM）是因子投资的理论基石，它首次将资产收益分解为系统性风险补偿和个股特质收益。但CAPM的单一β因子在解释横截面收益差异时存在明显不足——这正是Fama-French多因子模型出现的动因。
4.2.1 CAPM：单因子模型的贡献与局限
CAPM的核心公式为：E(Ri) = Rf + βi × (Rm - Rf)。其中β衡量资产对市场组合的敏感度。CAPM的贡献在于：它第一次用数学语言描述了“高风险高收益”的定价逻辑。然而，大量实证发现，市值小的股票、低市净率的股票即使β相同，收益也显著更高——这些无法被β解释的部分，被称为“异象”（Anomalies）。
4.2.2 Fama-French三因子模型
1993年，法玛和弗伦奇在CAPM基础上加入两个因子：SMB（规模因子）和HML（价值因子），构成三因子模型：
E(Ri) - Rf = α + βi·(Rm - Rf) + si·SMB + hi·HML + εi其中：
- SMB（Small Minus Big）：做多小市值股票、做空大市值股票的收益差，度量规模溢价。
- HML（High Minus Low）：做多高账面市值比（价值股）、做空低账面市值比（成长股）的收益差，度量价值溢价。
4.2.3 Fama-French五因子模型
2015年，法玛和弗伦奇进一步加入RMW（盈利因子）和CMA（投资因子），形成五因子模型：
E(Ri) - Rf = α + βi·(Rm - Rf) + si·SMB + hi·HML + ri·RMW + ci·CMA + εi- RMW（Robust Minus Weak）：做多高盈利能力的股票、做空低盈利能力的股票，度量盈利溢价。
- CMA（Conservative Minus Aggressive）：做多低投资扩张的股票、做空高投资扩张的股票，度量投资风格溢价。
4.3 因子溢价的来源：为什么这些因子能持续赚钱？
理解因子溢价的来源，决定了我们能否在因子“失效”时保持信心。学术界和业界普遍认为，因子溢价主要来自三个层面：风险补偿、行为偏差、市场摩擦。
4.3.1 风险补偿：因子是系统性风险的代理
这是最传统的解释。例如，小市值股票（SMB）之所以有溢价，是因为小公司经营风险更高、融资约束更强、在经济下行期更容易破产；价值股（HML）的溢价则源于其高杠杆、强周期性带来的财务困境风险。投资者承担这些额外风险，理应获得补偿。这种解释下，因子溢价是长期存在的，但会随经济周期波动。
4.3.2 行为偏差：投资者非理性定价
行为金融学认为，因子溢价源于投资者的系统性认知偏差：
- 过度外推：投资者对成长股的未来增长过度乐观，导致成长股被高估，价值股被低估（HML溢价）。
- 彩票偏好：投资者偏爱高波动、高偏度的“彩票型”股票，导致这类股票被高估，低波动因子因此获得溢价。
- 处置效应：投资者过早卖出盈利股票、过久持有亏损股票，导致动量因子（短期）和反转因子（长期）同时存在。
4.3.3 市场摩擦：制度与流动性约束
部分因子溢价源于市场摩擦。例如，小市值因子在A股长期有效，部分原因是小盘股流动性差、机构资金容量有限，导致定价效率低。做空限制也使得负面信息无法及时反映在股价中，高估值的股票难以被纠正，从而为价值因子提供了空间。
| 因子类型 | 主要溢价来源 | 可持续性判断 | A股实证表现 |
|---|---|---|---|
| 规模（SMB） | 风险补偿 + 流动性摩擦 | 中高，但容量有限 | 显著，但2017年后风格切换频繁 |
| 价值（HML） | 风险补偿 + 行为偏差 | 高，但需长期持有 | 显著，但2019-2020年成长风格下回撤大 |
| 动量（UMD） | 行为偏差（反应不足） | 中，衰减速度快 | A股短期动量（1-3个月）有效，长期反转 |
| 质量（RMW） | 风险补偿 + 行为偏差 | 高，与价值因子互补 | ROE、毛利率因子在A股表现稳定 |
4.4 实战案例：用三因子模型拆解A股白酒板块的收益来源
为了将理论落地，我们以A股白酒板块为例，演示如何用Fama-French三因子模型拆解个股收益。假设我们关注贵州茅台（600519），时间区间为2023年1月至2024年6月。
背景与目标：某量化团队需要判断茅台这段时期的超额收益是来自市场β、规模、价值因子，还是真正的α（选股能力）。团队使用Python的statsmodels库进行多元回归。
关键输入数据：
# 数据频率：月度
# 因变量：茅台月度收益率 - 无风险利率（Rf，取一年期国债收益率）
# 自变量：
# MKT = 沪深300月度收益率 - Rf
# SMB = 小市值组合收益 - 大市值组合收益
# HML = 高账面市值比组合收益 - 低账面市值比组合收益
# 回归方程：R茅台 - Rf = α + β·MKT + s·SMB + h·HML + ε回归结果（示意）：
| 参数 | 系数 | t值 | p值 | 解读 |
|---|---|---|---|---|
| α（截距） | 0.008 | 1.82 | 0.08 | 月度超额收益0.8%，边缘显著 |
| β（市场） | 0.85 | 12.4 | <0.01 | 茅台β小于1，防御性特征 |
| s（规模） | -0.32 | -3.1 | 0.005 | 茅台属于大盘股，负向暴露于SMB |
| h（价值） | -0.45 | -4.2 | <0.01 | 茅台属于成长股，负向暴露于HML |
分析判断过程：回归结果显示，茅台的α为0.8%/月（年化约10%），但p值为0.08，在5%显著性水平下不显著。β为0.85，说明茅台在市场下跌时相对抗跌；s和h均为负，说明茅台的大盘成长属性使其在“小盘价值”风格占优时表现不佳。团队进一步做了滚动回归（24个月窗口），发现α在2023年下半年显著为正，但在2024年初转为不显著——这与白酒行业基本面的边际变化一致。
实际操作与结果：基于此分析，团队决定：
- 不将茅台作为独立的α来源，而是将其视为“低β+成长”的组合配置工具。
- 在因子组合中，将茅台归类为“质量成长”风格，而非“价值”风格。
- 当市场风格切换至小盘价值时，降低茅台的权重，避免因子暴露带来的回撤。
回测显示，这一调整使组合在2024年一季度（小盘价值占优）的回撤减少了2.3个百分点。
4.5 常见误区与复盘总结
在因子投资实践中，以下误区最容易导致策略失效或回撤失控：
- 误区一：因子越多越好。每增加一个因子，就需要更长的历史数据来估计载荷，且因子间相关性会导致多重共线性。建议先用三因子或五因子作为基准，再根据IC（信息系数）和IR（信息比率）逐步筛选增量因子。
- 误区二：忽视因子载荷的时变性。因子的β、s、h并非恒定。A股市场的风格切换周期约为1-2年，静态因子暴露会导致阶段性大幅回撤。应使用滚动窗口（如24个月）动态估计因子载荷。
- 误区三：将因子溢价等同于无风险收益。因子溢价是风险补偿或行为偏差的结果，必然伴随阶段性失效。例如，价值因子在2019-2020年连续跑输成长因子，若没有足够的风险预算和心理准备，很容易在底部放弃。
- 误区四：忽略因子容量。小市值因子在A股虽然有效，但资金容量有限。当策略规模超过因子容量时，交易冲击成本会侵蚀大部分超额收益。建议在构建因子组合前，先估算策略容量（通常为日均成交额的1%-5%）。