4. 因子模型入门：单因子模型、多因子模型（Fama-French）、因子暴露与因子收益
因子模型是量化风险归因与组合业绩分解的基石。它将资产收益分解为若干共同因子（系统性风险）的线性组合加上特质收益（非系统性风险）。本章从最简单的单因子模型出发，逐步过渡到经典的多因子模型，并重点厘清因子暴露与因子收益这两个核心概念。
4.1 单因子模型：CAPM 的量化表达
单因子模型假设资产收益仅受一个共同因子驱动，最典型的代表是资本资产定价模型（CAPM）。其数学形式为：
R_i - R_f = β_i × (R_m - R_f) + ε_i其中：
- R_i：资产 i 的收益率
- R_f：无风险利率
- R_m：市场组合收益率
- β_i：资产 i 对市场因子的暴露（敏感度）
- ε_i：特质收益（残差项），期望为 0
实战要点：在人群切片复盘中，单因子模型常用于快速评估某个切片组合相对于大盘的 Beta 暴露。若 Beta 显著偏离 1，说明该切片具有系统性风格偏移。
4.2 多因子模型：Fama-French 三因子与五因子
单因子模型无法解释市值效应、价值效应等市场异象。Fama 与 French 于 1993 年提出三因子模型，将因子扩展为市场、规模（SMB）和价值（HML）。2015 年进一步扩展为五因子模型，加入盈利（RMW）与投资（CMA）因子。
| 因子名称 | 缩写 | 含义 | 构建方式 |
|---|---|---|---|
| 市场因子 | MKT | 市场组合超额收益 | R_m - R_f |
| 规模因子 | SMB | 小盘股 vs 大盘股收益差 | Small Minus Big |
| 价值因子 | HML | 高账面市值比 vs 低账面市值比收益差 | High Minus Low |
| 盈利因子 | RMW | 高盈利 vs 低盈利股票收益差 | Robust Minus Weak |
| 投资因子 | CMA | 保守投资 vs 激进投资股票收益差 | Conservative Minus Aggressive |
五因子模型的回归方程为：
R_i - R_f = α + β₁×MKT + β₂×SMB + β₃×HML + β₄×RMW + β₅×CMA + ε_i
人群切片应用：在复盘某个年龄-收入切片组合时，若 SMB 因子暴露显著为正，说明该组合偏向小盘股；若 HML 暴露显著为正，说明偏向价值股。这些暴露特征直接决定了组合相对于基准的风格风险。
4.3 因子暴露与因子收益：核心概念辨析
因子模型的两个核心输出是因子暴露（Factor Exposure）与因子收益（Factor Return）。两者在风险归因中扮演不同角色：
- 因子暴露（β）：描述组合或资产对某个因子的敏感度，是权重概念。例如 β=1.2 表示市场上涨 1%，该资产预期上涨 1.2%。
- 因子收益（F）：描述因子本身在特定时间区间内的收益率，是价格概念。例如某月市场因子收益为 +3%，价值因子收益为 -1%。
组合的超额收益可分解为：
组合超额收益 = Σ(因子暴露 × 因子收益) + 特质收益
常见误区：初学者常将因子暴露与因子收益混淆。在风险归因中，因子暴露决定风险敞口的大小，因子收益决定敞口带来的损益。两者相乘才是因子对组合收益的贡献。
4.4 因子模型结构总览
下图展示了从单因子到多因子的演进逻辑，以及因子暴露与因子收益在组合归因中的位置：
4.5 因子暴露的估计方法
在实际量化分析中，因子暴露通常通过时间序列回归或截面回归来估计：
| 方法 | 说明 | 适用场景 |
|---|---|---|
| 时间序列回归 | 对单个资产/组合，用历史收益率对因子收益率做 OLS 回归 | 个股或固定组合的因子暴露估计 |
| 截面回归 | 在某一时点，对所有资产的收益率对因子暴露做回归，估计因子收益 | Fama-MacBeth 两步法，估计因子溢价 |
| 滚动窗口回归 | 使用固定长度历史窗口（如 60 个月）滚动估计，捕捉暴露变化 | 人群切片组合的时变暴露跟踪 |
人群切片实战提示：在复盘切片组合时，建议使用 36-60 个月的滚动窗口估计因子暴露。窗口过短会导致估计噪声大，窗口过长则无法及时捕捉风格漂移。
4.6 因子收益的剥离与解读
因子收益可以通过构建多空组合（Long-Short Portfolio）来直接度量。以 SMB 因子为例：
SMB_t = (小盘股等权平均收益_t) - (大盘股等权平均收益_t)因子收益的正负与大小直接反映了该因子在特定时间段内的表现：
- 正因子收益：该因子在当期获得正溢价，暴露为正的组合获得正贡献
- 负因子收益：该因子在当期表现不佳，暴露为正的组合遭受损失
- 因子收益波动：衡量因子风险的大小，波动越大说明因子风险越高
归因技巧：在人群切片复盘中，将因子收益与因子暴露相乘，即可得到每个因子对组合超额收益的贡献。若某切片组合在价值因子上的暴露为 0.3，而该月价值因子收益为 +2%，则价值因子贡献为 0.6%。
4.7 因子模型在人群切片复盘中的完整流程
将因子模型应用于人群切片组合风险归因，通常遵循以下步骤：
- 确定因子体系：选择 Fama-French 三因子或五因子，也可加入行业因子、动量因子等
- 获取因子数据：从数据库获取各因子每日/每月收益率序列
- 估计因子暴露：对每个切片组合做时间序列回归，得到 β 向量
- 计算因子贡献：因子贡献 = β × 因子收益（逐期计算）
- 归因汇总：将因子贡献加总，剩余部分为 α（选股能力）与 ε（特质风险）
- 风险分解：计算因子风险贡献（Factor Risk Contribution），识别主要风险源
注意事项：因子模型假设因子之间相互独立（正交），但实际中因子常存在相关性。在人群切片复盘中，建议使用正交化处理后的因子，或使用 Barra 风格因子模型来避免多重共线性问题。