1. 因子投资概述
1.1 因子投资的定义
因子投资（Factor Investing）是一种系统化的投资方法论，其核心思想是通过识别并暴露于能够解释资产收益差异的、可量化的共同特征（即“因子”），来获取超越市场平均水平的风险调整后收益。它介于纯粹的主动投资与完全被动的指数投资之间，强调基于数据和统计规律进行决策，而非依赖基金经理的个人判断或单纯跟踪市值加权指数。
核心公式： 资产预期收益 = 无风险利率 + Σ(因子暴露 × 因子预期溢价)
因子投资的理论基础主要来源于现代金融学的两大支柱：
- 资本资产定价模型（CAPM）： 提出市场因子是解释收益的唯一系统性风险来源。
- 套利定价理论（APT）： 将单一市场因子扩展为多因子模型，认为资产收益受多个共同因子驱动。
1.2 发展历史
因子投资的发展经历了从学术理论到量化实践的演进过程，以下表格梳理了关键里程碑：
| 时期 | 代表人物/事件 | 核心贡献 |
|---|---|---|
| 1960s | Sharpe, Lintner | 提出CAPM，确立市场因子 |
| 1976 | Ross | 提出APT，为多因子模型奠定理论基础 |
| 1992 | Fama & French | 提出三因子模型（市场、规模、价值），成为因子投资里程碑 |
| 1997 | Carhart | 加入动量因子，扩展为四因子模型 |
| 2013 | Fama & French | 进一步提出五因子模型（加入盈利、投资因子） |
| 2010s至今 | 学术与业界融合 | 低波、质量、红利等因子被广泛研究，Smart Beta产品爆发式增长 |
关键洞察： 因子投资的学术研究经历了从“解释收益”到“预测收益”的转变，现代因子特征工程更侧重于挖掘因子的预测能力和稳定性。
1.3 主流因子分类
根据学术研究和业界实践，主流因子通常分为以下几大类。每个因子代表一种系统性的风险溢价或行为偏差来源。
| 因子类别 | 核心逻辑 | 典型指标 | 经济解释 |
|---|---|---|---|
| 价值因子 | 买入被低估的股票，卖出被高估的股票 | 账面市值比(B/P)、市盈率(E/P)、市净率(P/B) | 风险补偿或过度反应后的均值回归 |
| 动量因子 | 买入过去表现好的股票，卖出过去表现差的股票 | 过去6-12个月累计收益、动量强度 | 投资者反应不足或趋势延续 |
| 质量因子 | 买入盈利能力高、财务稳健、低杠杆的公司 | ROE、毛利率、资产负债率、盈利稳定性 | 高质量公司具有更低的风险和更高的持续盈利能力 |
| 低波因子 | 买入波动率较低的股票，规避高波动股票 | 过去1-3年日收益率标准差、贝塔值 | 投资者对彩票型股票的偏好导致低波动异象 |
| 规模因子 | 买入小市值公司，卖出大市值公司 | 总市值、流通市值 | 小公司风险更高，流动性溢价 |
| 红利因子 | 买入高股息率的股票 | 股息率、股利支付率 | 信号传递理论，稳定现金流偏好 |
1.4 因子投资与主动投资/被动投资的区别
因子投资在投资光谱中占据独特位置，它结合了主动投资的选股逻辑与被动投资的系统化规则。以下表格从多个维度对比三种投资方式：
| 对比维度 | 主动投资 | 被动投资 | 因子投资 |
|---|---|---|---|
| 决策依据 | 基金经理主观判断、基本面分析、技术分析 | 跟踪指数，完全复制或抽样复制 | 基于量化因子模型，系统化规则 |
| 收益来源 | 选股能力、择时能力、信息优势 | 市场整体收益（Beta） | 因子溢价（Smart Beta + Alpha） |
| 风险特征 | 高度依赖基金经理，风格漂移风险 | 完全暴露于市场风险 | 因子暴露可控，风险更透明 |
| 费用水平 | 高（管理费+业绩报酬） | 低（管理费通常<0.1%） | 中等（管理费0.2%-0.5%） |
| 透明度 | 低（持仓披露滞后） | 高（完全复制指数） | 高（因子规则公开） |
| 可复制性 | 低（依赖个人能力） | 高（任何人都可复制） | 高（规则明确，可回测验证） |
| 典型产品 | 主动管理型基金、对冲基金 | 指数基金、ETF | Smart Beta ETF、因子基金 |
重要提示： 因子投资并非万能。因子溢价可能随时间衰减，因子拥挤（Factor Crowding）会导致收益下降，且因子在极端市场环境下可能同时失效（如2020年3月新冠疫情冲击期间，多数因子出现短暂崩溃）。
1.5 因子投资的实践框架
一个完整的因子投资流程通常包含以下步骤，这也是本课程后续章节将要深入展开的内容：
- 因子定义与构建： 将投资逻辑转化为可量化的数学公式（如：价值因子 = 1 / 市盈率）。
- 因子检验与评估： 通过回测验证因子的统计显著性、稳定性和经济意义。
- 因子组合与优化： 将多个因子组合成多因子模型，控制因子暴露和风险预算。
- 样本构建与模型训练： 构建训练集、验证集和测试集，训练因子预测模型（本课程核心）。
- 执行与再平衡： 按照因子信号进行交易，定期调整组合权重。
- 绩效归因与监控： 分析收益来源，监控因子暴露变化和风险指标。