📚 课程目录第4章风险因子模型

4. 风险因子模型：Fama-French 三因子模型、五因子模型、因子暴露与因子收益

风险因子模型是量化投资中解释资产收益、进行风险归因的核心工具。Fama-French 系列模型通过构建系统性风险因子，将投资组合的超额收益分解为因子暴露与因子收益的乘积，为组合管理者提供了标准化的风险分析框架。

4.1 Fama-French 三因子模型 (FF3)

1993 年，Eugene Fama 和 Kenneth French 在 CAPM 单因子模型基础上，提出了经典的三因子模型。该模型认为，投资组合的超额收益可由以下三个因子解释：

因子名称	符号	构建方式	经济含义
市场风险溢价	R_m - R_f	市场组合收益率 - 无风险利率	承担系统性市场风险的补偿
规模因子	SMB (Small Minus Big)	小市值股票组合收益 - 大市值股票组合收益	小盘股相对于大盘股的风险溢价
价值因子	HML (High Minus Low)	高账面市值比组合收益 - 低账面市值比组合收益	价值股相对于成长股的风险溢价

三因子模型的数学表达式为：

R_i - R_f = α_i + β_i·(R_m - R_f) + s_i·SMB + h_i·HML + ε_i

其中，β_i、s_i、h_i 分别为组合对市场、规模、价值因子的暴露度（因子载荷），α_i 为经风险调整后的超额收益（Alpha）。

实战要点：在 A 股市场，SMB 因子通常具有显著的正溢价，小盘股长期跑赢大盘股；HML 因子的有效性在近年有所减弱，需结合估值周期动态调整。

4.2 Fama-French 五因子模型 (FF5)

2015 年，Fama 和 French 在三因子基础上增加了两个与盈利能力及投资风格相关的因子，形成了五因子模型，进一步提升了收益解释能力。

因子名称	符号	构建方式	经济含义
市场风险溢价	R_m - R_f	市场组合收益率 - 无风险利率	系统性市场风险补偿
规模因子	SMB	小市值 - 大市值	规模风险溢价
价值因子	HML	高账面市值比 - 低账面市值比	价值风险溢价
盈利因子	RMW (Robust Minus Weak)	高盈利组合收益 - 低盈利组合收益	高盈利能力公司的风险溢价
投资因子	CMA (Conservative Minus Aggressive)	低投资组合收益 - 高投资组合收益	保守投资风格的风险溢价

五因子模型表达式：

R_i - R_f = α_i + β_i·(R_m - R_f) + s_i·SMB + h_i·HML + r_i·RMW + c_i·CMA + ε_i

  模型选择建议：三因子模型适用于快速归因与基准比较；五因子模型适用于精细化风险拆解与业绩归因。在因子拥挤度较高的市场环境中，RMW 和 CMA 因子能提供额外的区分度。

4.3 因子暴露与因子收益

因子模型的核心在于将组合收益分解为两个关键组成部分：

因子暴露（Factor Exposure / Factor Loading）：组合对某个因子的敏感度，通常通过时间序列回归（如 OLS）得到。暴露度越高，组合收益受该因子波动的影响越大。
因子收益（Factor Return）：因子本身在特定时期内的收益率，由多空组合的收益差计算得出，反映该风险因子的市场定价。

组合的预期收益可表示为：

E[R_i] - R_f = Σ (因子暴露 × 因子预期收益)

风险归因则进一步将组合的波动率（风险）分解到各因子上：

组合风险 = Σ (因子暴露 × 因子协方差矩阵 × 因子暴露) + 特质风险

常见误区：因子暴露是历史回归结果，不代表未来因子收益方向。因子收益可能随时间发生结构性变化（如价值因子在利率上升期的表现），需结合宏观环境动态评估。

4.4 因子模型在组合风险归因中的应用流程

在实际量化工作中，使用因子模型进行风险归因通常遵循以下步骤：

因子构建：根据模型定义，计算各因子的日度/月度收益率序列（如 SMB、HML、RMW、CMA）。
暴露度估计：使用滚动窗口回归（如 36 个月），估计组合或个股对各因子的暴露系数。
收益分解：将组合实际收益拆解为因子贡献部分与 Alpha 部分。
风险分解：基于因子协方差矩阵，计算各因子对组合总风险的贡献比例。
归因报告：输出因子暴露热力图、风险贡献饼图、Alpha 序列等可视化结果。

4.5 因子暴露与因子收益的实战计算示例

以下 Python 代码演示了如何使用 OLS 回归估计组合对三因子的暴露度，并计算因子贡献收益：

import pandas as pd
import numpy as np
import statsmodels.api as sm

# 假设已准备好数据：组合超额收益、市场超额收益、SMB、HML
# df 包含列：'port_excess', 'mkt_excess', 'SMB', 'HML'

X = df[['mkt_excess', 'SMB', 'HML']]
X = sm.add_constant(X)  # 添加截距项用于估计 Alpha
y = df['port_excess']

model = sm.OLS(y, X).fit()

# 提取因子暴露（系数）
alpha = model.params['const']
beta_mkt = model.params['mkt_excess']
beta_smb = model.params['SMB']
beta_hml = model.params['HML']

# 计算因子贡献收益
factor_contribution = {
    '市场因子贡献': beta_mkt * df['mkt_excess'].mean(),
    '规模因子贡献': beta_smb * df['SMB'].mean(),
    '价值因子贡献': beta_hml * df['HML'].mean(),
    'Alpha': alpha
}

print("因子暴露系数：")
print(f"Alpha: {alpha:.4f}, Beta_mkt: {beta_mkt:.4f}, Beta_smb: {beta_smb:.4f}, Beta_hml: {beta_hml:.4f}")
print("\n因子平均贡献收益：")
for k, v in factor_contribution.items():
    print(f"{k}: {v:.4f}")

工程化建议：在实际生产环境中，建议使用滚动窗口回归（如 252 个交易日）动态更新因子暴露，并采用 Newey-West 调整标准误以处理异方差与自相关。因子收益数据可从学术数据库（如 Kenneth French 数据图书馆）或自建多空组合计算。

4.6 三因子 vs 五因子：适用场景对比

对比维度	三因子模型 (FF3)	五因子模型 (FF5)
因子数量	3 个（市场、规模、价值）	5 个（市场、规模、价值、盈利、投资）
收益解释力 (R²)	中等（约 70-85%）	较高（约 80-95%）
模型简洁性	高，易于实现与沟通	中等，因子间可能存在共线性
适用场景	快速归因、基准比较、小规模组合	精细化归因、机构级风控、多空策略
数据要求	较低，仅需市值与账面市值比	较高，需盈利能力与投资数据

选择哪种模型取决于组合的复杂程度与归因精度需求。对于大多数 AB 测试场景，三因子模型已能提供足够的风险调整精度；当需要深入拆解风格漂移或行业偏离时，五因子模型更具优势。