📊 多因子模型导论

📌 1. 多因子模型的定义 Factor Model

多因子模型 是量化投资中将资产收益分解为多个共同因子（系统性风险）与特质收益的线性框架。其数学本质为：

R_i = α_i + β_i1·F_1 + β_i2·F_2 + … + β_ik·F_k + ε_i

其中 R_i 为资产 i 的收益率，F_j 为第 j 个因子（如价值、动量、质量等），β_ij 为因子暴露，α_i 为超额收益，ε_i 为特质波动。该模型将资产收益的协方差结构归因于少数公共因子，是现代投资组合理论的核心工具。

• 📈 因子：系统性风险源，如市场、规模、价值、动量、低波等。
• ⚖️ 暴露：资产对因子的敏感度，通过回归或优化估计。
• 🎯 核心目标：解释截面收益差异、剥离 alpha、构建对冲组合。

⏳ 2. 发展历史 从 CAPM 到因子动物园

年代	里程碑	贡献者 / 模型
1964	资本资产定价模型 (CAPM) —— 单因子	Sharpe, Lintner
1976	套利定价理论 (APT) —— 多因子理论基石	Ross
1993	Fama-French 三因子模型 (市场、规模、价值)	Fama & French
1997	动量因子 (Carhart 四因子)	Carhart
2015	Fama-French 五因子 (盈利、投资)	Fama & French
2018+	因子动物园 · 机器学习因子 · 动态多因子	学术界 & 量化业界

从 CAPM 的单一市场因子，到如今数百个异象因子，多因子模型经历了从理论到实证、从简约到高维的演进。每一次迭代都让量化投资更精细地捕捉风险溢价。

🎯 3. 核心地位与作用 量化投资的引擎

多因子模型是量化投资策略的基础设施，在组合构建、风险归因、绩效评估中扮演不可替代的角色。其核心作用包括：

• 🔍 收益分解：区分 alpha 与 beta，识别超额收益来源。
• 🛡️ 风险控制：通过因子暴露管理系统性风险，实现风险预算。
• 🧩 组合优化：因子倾斜、Smart Beta、指数增强均依赖因子模型。
• 📊 绩效归因：分析策略收益来自哪些因子，评估基金经理能力。

▲ 多因子模型连接因子挖掘与组合构建，形成量化策略闭环

🧪 4. 因子模型示例 Python 风格伪代码

以下展示多因子截面回归的核心逻辑（使用 OLS 估计因子暴露）：

import numpy as np
import statsmodels.api as sm

# 假设 returns: (N assets,)   factor_matrix: (N, K)
def estimate_factor_exposure(returns, factor_matrix):
    X = sm.add_constant(factor_matrix)   # 加入截距项 (alpha)
    model = sm.OLS(returns, X).fit()
    alpha = model.params[0]
    betas = model.params[1:]
    return alpha, betas, model.rsquared

# 示例：三因子 (市场, 规模, 价值)
# factor_matrix = np.column_stack([mkt, smb, hml])
# alpha, beta_vec, r2 = estimate_factor_exposure(portfolio_returns, factor_matrix)
print("因子模型将收益分解为 alpha + Σ β_i·F_i + ε")

实际多因子模型还涉及因子正交化、风险调整、IC/IR 检验等，本课程将逐步深入。

📚 导论小结

1. 多因子模型 是量化投资的“通用语言”，连接学术与实战。
2. 从 CAPM 到五因子、因子动物园，模型不断进化，但核心逻辑不变。
3. 在组合管理中，因子模型用于风险归因、收益预测、结构控制。
4. 掌握多因子模型，是进阶量化金融专家的必经之路。