一、因子初探：从零认识量化世界的“基因”

说实话，因子这个词，在量化圈里被说得有点玄乎了。

我第一次接触因子时，以为是什么高深的数学模型。后来做多了才发现——因子，其实就是能解释股票涨跌的某种特征。就像医生看病要看体温、血压一样，我们做量化交易，也要看股票的“体温”和“血压”。

1.1 什么是因子？一个接地气的解释

我习惯这样跟新人讲：

假设你要判断一个人是不是学霸。你会看什么？

• 考试成绩（这是最直接的）
• 每天学习时长（这是行为特征）
• 智商测试分数（这是先天属性）

这些判断依据，就是“因子”。

在股票市场里，因子就是能帮助我们预测股价未来走势的某种数据特征。比如：

• 市盈率（PE）—— 股票贵不贵？
• 过去一个月的涨幅 —— 最近涨多了还是跌多了？
• 成交量变化 —— 资金在关注吗？

1.2 因子在量化交易中的角色

我在项目中遇到过很多新手，上来就问：“给我一个能赚钱的因子就行。” 这种想法其实很危险。

因子不是万能钥匙。它在量化交易中扮演的角色，更像是一个信号兵：

1. 筛选工具：从几千只股票里，快速找出有潜力的候选者
2. 排序依据：把股票按因子值从高到低排列，做多高的、做空低的
3. 风险控制：识别哪些股票暴露在某种风险下（比如高杠杆风险）

你想想看，如果没有因子，我们怎么选股？靠抛硬币吗？

1.3 Alpha因子 vs 风险因子

这里有个关键区分，我当年花了很长时间才真正搞明白。

类型	目的	举例	我的理解
Alpha因子	预测超额收益	动量因子、反转因子	“赚钱的武器”
风险因子	解释收益来源、控制风险	市场因子、规模因子、价值因子	“解释为什么涨跌”

Alpha因子，说白了就是能帮你赚钱的因子。比如我发现：过去5天跌幅最大的股票，接下来3天往往会反弹。这就是一个反转Alpha因子。

风险因子则不同。它不直接帮你赚钱，但能告诉你：你的收益到底来自哪里？

我曾经犯过一个错误：回测时收益很高，结果发现是因为我重仓了小盘股。当时市场正好在炒小盘股，所以收益全是市场风格给的，跟我的因子没关系。这就是风险因子没控制好的后果。

1.4 因子的数学表达

嗯，这里要上点硬货了。不过别怕，我会用最直白的方式讲。

因子的数学表达，其实就是一个映射函数：

因子值 = f(股票数据, 时间窗口, 参数)

举个例子，一个简单的5日动量因子：

Momentum_5d = (close_price_today - close_price_5days_ago) / close_price_5days_ago

翻译成人话：今天的收盘价比5天前涨了多少百分比？

更正式一点，我们用数学符号表示：

对于股票 i 在时间 t：
Factor_i(t) = f( X_i(t), X_i(t-1), ..., X_i(t-n) )

其中：
- X_i(t) 是股票 i 在时间 t 的某种数据（价格、成交量、财务数据等）
- n 是回溯窗口
- f 是某种变换函数（可以是简单的加减乘除，也可以是复杂的机器学习模型）

我个人习惯把因子分为三个层次：

• 基础因子：直接计算，比如涨跌幅、换手率
• 衍生因子：对基础因子做组合，比如（涨跌幅 × 换手率）
• 合成因子：把多个因子加权组合成一个

1.5 本章知识体系总览

为了让你对本章内容有个整体印象，我画了张图：

1.6 本章小结

好了，我们来捋一捋这一章的核心：

• 因子是什么？—— 能预测股票涨跌的量化特征
• 因子有什么用？—— 选股、排序、风控
• 因子分几类？—— Alpha因子（赚钱）和风险因子（解释风险）
• 因子怎么表达？—— 数学函数：因子值 = f(数据, 时间, 参数)

我个人觉得，学因子挖掘最忌讳的就是一上来就追求复杂。先把手里的简单因子用明白，比什么都强。

记住：因子不是越多越好，能稳定赚钱的因子，一个就够了。