2. 因子模型构建：单因子模型、多因子模型、因子暴露与因子收益率的计算

因子模型是量化组合风险归因与收益分解的核心工具。它将资产的收益率分解为系统性因子贡献与特质性残差两部分，从而将高维的资产协方差矩阵降维到低维的因子协方差矩阵，极大简化了风险建模与组合优化的复杂度。

2.1 单因子模型：CAPM 与市场模型

单因子模型假设资产收益率仅受一个共同因子驱动，最经典的实现是资本资产定价模型（CAPM）与市场模型（Market Model）。

2.2 多因子模型：从 Fama-French 到 Barra 体系

单因子模型无法解释大量横截面收益差异，多因子模型应运而生。常见体系包括：

• Fama-French 三因子模型： 市场因子 (MKT)、规模因子 (SMB)、价值因子 (HML)。
• Carhart 四因子模型： 在三因子基础上加入动量因子 (MOM)。
• Barra 风险模型： 包含国家因子、行业因子、风格因子（如市值、波动率、成长、杠杆等），通常使用 10~50 个因子。
• 统计因子模型： 通过 PCA、ICA 等无监督方法从收益率协方差矩阵中提取主成分作为因子。

2.3 因子暴露的计算

因子暴露（Factor Exposure / Factor Loading）衡量资产对每个因子的敏感度。根据因子类型不同，计算方法分为两类：

2.3.1 基于回归的暴露估计

对于经济因子模型，通常使用时间序列回归估计因子暴露：

# Python: 使用滚动窗口 OLS 估计因子暴露
import pandas as pd
import statsmodels.api as sm

def estimate_factor_exposure(returns, factor_returns, window=252):
    """
    returns: 个股日收益率 Series
    factor_returns: 因子收益率 DataFrame (每列一个因子)
    window: 滚动窗口长度
    """
    exposures = []
    for i in range(window, len(returns)):
        y = returns.iloc[i-window:i]
        X = factor_returns.iloc[i-window:i]
        X = sm.add_constant(X)  # 加入截距项 alpha
        model = sm.OLS(y, X).fit()
        exposures.append(model.params[1:])  # 排除截距
    return pd.DataFrame(exposures, index=returns.index[window:], columns=factor_returns.columns)

2.3.2 基于截面特征的暴露赋值

对于 Barra 风格因子，暴露通常由资产自身的特征值直接计算：

2.4 因子收益率的计算

因子收益率（Factor Return）是因子在截面上的溢价，即每单位暴露所获得的超额收益。计算方法取决于模型设定：

2.4.1 时间序列回归法（两步法）

1. 第一步： 对每只股票做时间序列回归，估计因子暴露 \(\beta_{i,k}\)。
2. 第二步： 在每个截面时点 \(t\)，以股票收益率 \(R_{i,t}\) 为因变量，以第一步估计的暴露 \(\beta_{i,k}\) 为自变量，做截面回归，回归系数即为因子收益率 \(f_{k,t}\)。

# Python: 截面回归估计因子收益率
def estimate_factor_returns(returns_cross_section, exposures):
    """
    returns_cross_section: 截面收益率 Series (index=股票)
    exposures: DataFrame (index=股票, columns=因子)
    """
    X = sm.add_constant(exposures)
    model = sm.OLS(returns_cross_section, X).fit()
    return model.params  # 包含截距和所有因子收益率

2.4.2 组合排序法（Fama-French 经典方法）

通过构建多空组合直接计算因子收益率，无需回归：

• SMB (Small Minus Big)： 小市值股票组合收益率减去大市值股票组合收益率。
• HML (High Minus Low)： 高账面市值比组合收益率减去低账面市值比组合收益率。
• MOM (Momentum)： 过去收益最高组合减去过去收益最低组合。

2.5 因子模型的风险归因公式

一旦获得因子暴露矩阵 \(B\) 和因子协方差矩阵 \(\Sigma_f\)，组合风险可分解为：

2.6 模型验证与诊断

构建因子模型后，需进行以下诊断以确保模型质量：

• 因子显著性检验： 截面回归中因子收益率的 t 统计量是否显著（|t| > 2）。
• 残差自相关检验： 个股残差序列的 Durbin-Watson 统计量是否接近 2。
• 因子多重共线性： 因子暴露矩阵的条件数（Condition Number）是否小于 30，若过大需考虑因子正交化。
• R² 分布： 模型对个股收益率的解释力度，横截面 R² 中位数应 > 30%。
• 因子收益率序列平稳性： ADF 检验确保因子收益率序列平稳，避免伪回归。