1. 量化因子基础概念
1.1 什么是量化因子
量化因子（Quantitative Factor）是能够系统性地解释和预测资产（如股票、期货）未来收益的某种可观测特征或指标。在量化投资中，因子是将原始市场数据转化为可交易信号的核心桥梁。
一个合格的量化因子必须满足以下三个基本条件：
- 可量化性：能够通过数学公式或算法从市场数据中精确计算得出，而非主观判断。
- 逻辑性：背后应有经济学、行为金融学或市场微观结构理论支撑，解释其为何能预测收益。
- 统计显著性：在历史回测中，因子值与未来收益之间存在稳定且显著的相关关系。
💡 核心理解：因子本质上是一种“风险溢价”或“错误定价”的代理变量。例如，低估值股票长期跑赢高估值股票，这背后可能是市场对风险补偿或投资者过度反应的结果。
1.2 因子在量化投资中的作用
因子在量化投资全流程中扮演着多重角色，其作用可归纳为以下四个层次：
| 层次 | 作用 | 具体说明 |
|---|---|---|
| 1. 信号生成 | 选股/择时 | 根据因子值对全市场股票排序，做多高因子值股票、做空低因子值股票，构建多空组合。 |
| 2. 风险暴露 | 风险归因 | 识别投资组合在哪些因子上有敞口（如价值因子、动量因子），从而理解收益来源和风险来源。 |
| 3. 组合优化 | 约束条件 | 在均值-方差优化框架中，将因子暴露作为约束条件，控制组合对特定因子的偏离程度。 |
| 4. 绩效评价 | 业绩归因 | 通过因子模型（如Fama-French三因子模型）分解超额收益，判断基金经理的选股能力（Alpha）与运气（Beta）。 |
📌 实践要点：在因子投资中，单一因子往往具有周期性。优秀的量化策略通常组合多个低相关性的因子，以实现收益来源的分散化。
1.3 常见因子类型
根据驱动逻辑的不同，量化因子通常被划分为以下几大类。下表列出了最主流的因子类型及其典型代表：
| 因子大类 | 子类 | 典型因子 | 核心逻辑 |
|---|---|---|---|
| 动量因子 | 时间序列动量 | 过去12个月收益率（剔除最近1个月） | 强者恒强，弱者恒弱；趋势延续效应 |
| 截面动量 | 过去6个月相对强弱指标（RSI） | 同一时点，买入相对强势股，卖出相对弱势股 | |
| 价值因子 | 账面市值比 | Book-to-Price (B/P) | 低估值股票（高B/P）长期获得超额收益 |
| 盈利收益率 | Earnings Yield (E/P) | 高盈利收益率股票被低估，未来均值回归 | |
| 质量因子 | 盈利能力 | ROE（净资产收益率）、毛利率 | 高盈利公司具有护城河，风险更低 |
| 财务稳健 | 资产负债率、利息覆盖倍数 | 低杠杆公司抗风险能力强，违约风险低 | |
| 规模因子 | 市值 | 总市值对数 | 小市值公司长期跑赢大市值公司（小盘股效应） |
| 流动性 | 日均换手率、Amihud非流动性指标 | 低流动性股票存在流动性溢价补偿 | |
| 波动率因子 | 低波动 | 过去1年日收益率标准差 | 低波动股票长期表现优于高波动股票（低波动异象） |
| 特异波动 | CAPM回归残差标准差 | 剔除市场风险后的公司特有波动率 |
1.4 因子分类体系总览
下图展示了量化因子的完整分类体系，帮助建立全局认知：
1.5 因子构建的通用流程
无论因子类型如何，其构建过程都遵循一套标准化的流水线。以下是一个典型的因子构建步骤：
- 数据获取：从数据库获取原始行情数据（价格、成交量）和财务数据（资产负债表、利润表）。
- 数据清洗：处理缺失值、异常值、复权调整、行业中性化处理。
- 因子计算：根据因子定义公式，在横截面上计算每只股票的因子值。
- 因子标准化：对因子值进行Z-score标准化或分位数排名，消除量纲影响。
- 因子去极值：使用MAD（中位数绝对偏差）或百分位截断法处理极端值。
- 因子中性化：对市值、行业等常见风险因子做回归，提取残差作为纯净因子。
⚠️ 常见陷阱：因子构建中最容易被忽视的是“前视偏差”（Look-ahead Bias）。例如，使用季度财报数据时，必须确保因子计算日期在财报实际发布日期之后，而非财报截止日期。否则回测结果会严重失真。
1.6 因子评价的核心指标
构建因子后，需要从多个维度评价其有效性。下表列出了最常用的评价指标：
| 指标 | 计算公式 | 理想值 | 说明 |
|---|---|---|---|
| Rank IC | Spearman秩相关系数(因子值, 未来收益) | 绝对值 > 0.02 | 衡量因子排序与收益排序的一致性 |
| ICIR | IC均值 / IC标准差 | > 0.5 | 衡量因子预测的稳定性（信噪比） |
| 分层收益 | 按因子值分组后各组累计收益 | 单调递增/递减 | 直观展示因子区分度 |
| 多空夏普 | 多空组合年化收益 / 年化波动 | > 1.0 | 衡量因子策略的风险调整后收益 |
| 换手率 | 平均每期调仓比例 | 越低越好 | 影响实际交易成本 |
📌 进阶提示：Rank IC 是后续课程《分层试验》的核心指标。与普通 Pearson IC 相比，Rank IC 对异常值不敏感，更能反映因子排序能力的稳定性。在 A 股市场，Rank IC 绝对值超过 0.03 通常被认为具有实际交易价值。