因子投资概述
因子投资是量化投资的核心方法论之一。其基本思想是：资产的预期收益可以由一系列共同的风险因子所解释。通过系统性地暴露于某些具有长期正溢价的因子，投资者可以构建出超越市场平均水平的投资组合。在后续的A/B测试章节中，我们将利用这一框架来检验新因子的有效性。
1. 因子的定义
在量化金融中，因子（Factor）是指能够解释资产横截面收益差异的、可度量的特征或变量。一个有效的因子通常具备以下特征：
- 可投资性：可以通过构建多空组合或权重调整来实际交易。
- 持续性：在较长的时间周期内（如5-10年）保持稳定的超额收益。
- 经济逻辑：存在合理的风险补偿或行为偏差解释。
- 低相关性：与其他已知因子的相关性较低，提供独立的收益来源。
💡 核心概念： 因子溢价（Factor Premium）是指因子多空组合的预期超额收益。例如，价值因子的溢价通常被认为是承担了“价值陷阱”风险的补偿。
2. 常见因子类型
学术界与业界经过数十年的研究，已经识别出多个稳健的因子。下表总结了最经典的几类因子及其核心逻辑：
| 因子类别 | 核心指标 | 经济逻辑 | 典型多空组合 |
|---|---|---|---|
| 价值 (Value) | 账面市值比 (B/P)、市盈率 (E/P) | 投资者过度反应，导致低价股被低估 | 做多高B/P股，做空低B/P股 |
| 动量 (Momentum) | 过去12个月收益率（剔除最近1个月） | 信息扩散缓慢，趋势延续 | 做多过去赢家，做空过去输家 |
| 质量 (Quality) | ROE、毛利率、资产负债率 | 高盈利、低风险公司享有溢价 | 做多高ROE股，做空低ROE股 |
| 低波 (Low Volatility) | 过去3年日收益率标准差 | 杠杆限制与彩票偏好，低波动股被低估 | 做多低波动股，做空高波动股 |
| 规模 (Size) | 总市值 | 小公司风险更高，流动性溢价 | 做多小盘股，做空大盘股 |
⚠️ 实战注意： 动量因子在A股市场存在显著的“反转效应”，即短期（1个月）动量可能为负。在构建因子时，需要根据市场特征调整回溯窗口。
3. 因子与超额收益的关系
因子与超额收益的关系可以通过因子模型来量化。最经典的模型是Fama-French三因子模型：
E(R_i) - R_f = β_mkt * (R_m - R_f) + β_smb * SMB + β_hml * HML其中：
E(R_i) - R_f：股票i的预期超额收益。β_mkt：市场因子暴露（Beta）。SMB：规模因子（Small Minus Big）的收益率。HML：价值因子（High Minus Low）的收益率。
如果一个新因子能够解释模型无法解释的残差收益，则该因子具有增量信息。这正是A/B测试在因子选择中的核心应用场景——通过统计检验判断新因子是否显著提升了模型的解释力。
4. 因子选择中的A/B测试视角
在因子投资中，A/B测试可以理解为：
- 对照组（A组）：使用基准因子模型（如三因子模型）进行选股。
- 实验组（B组）：在基准模型基础上加入候选新因子，重新进行选股。
- 评估指标：比较两组的夏普比率、最大回撤、信息比率等。
通过严格的统计检验（如t检验、F检验），我们可以判断新因子是否显著提升了组合的风险调整后收益。这避免了“数据挖掘”带来的伪发现。
🚨 常见陷阱： 在因子选择中，过度拟合历史数据会导致“伪因子”。A/B测试要求使用样本外数据（Out-of-Sample）进行验证，确保因子的泛化能力。