一、因子投资基础：因子定义、因子分类与投资哲学
因子投资，说白了就是找到那些能解释股票涨跌的共同特征。我刚开始接触这个领域时，总觉得它很玄乎。后来做了几年实盘，才明白——因子就是市场的「基因密码」。
今天咱们就聊聊因子投资最基础的三件事：因子到底是什么、怎么分类、以及背后的投资哲学。嗯，这部分内容虽然基础，但决定了你后面所有模型的上限。
1.1 因子的定义
因子，在量化金融里指的是能解释资产收益率横截面差异的某种特征或变量。你想想看，为什么茅台涨了，而某只ST股跌了？除了运气，背后一定有某种系统性原因在驱动。
我个人习惯把因子理解为「风险溢价」的载体。什么意思呢？就是你承担了某种特定风险，市场给你相应的补偿。比如小盘股长期跑赢大盘股，是因为小公司经营风险更高，投资者需要更高的预期收益来补偿。
核心定义：因子 = 能够系统性地解释资产收益率的共同特征
数学上，因子模型可以写成：
R_i - R_f = α + β₁F₁ + β₂F₂ + ... + βₖFₖ + ε_i其中F₁、F₂就是因子，β是因子暴露，α是超额收益。
我在项目中遇到过一个问题：很多人把因子和策略混为一谈。因子是「因」，策略是「果」。因子告诉你什么特征能赚钱，策略告诉你什么时候买、买多少。千万别搞混了。
1.2 因子的三大分类
因子分类的方法很多，我习惯按数据来源分成三类：风格因子、宏观因子、另类因子。这样分，逻辑上最清晰。
1.2.1 风格因子
风格因子是最传统、最成熟的一类。它们主要来自股票自身的交易数据和财务数据。
| 因子名称 | 定义 | 典型指标 |
|---|---|---|
| 价值因子 | 低估值股票相对高估值股票的超额收益 | PE、PB、PS、股息率 |
| 动量因子 | 过去表现好的股票未来继续表现好 | 过去6-12个月收益率 |
| 质量因子 | 高盈利能力、低财务风险的公司表现更好 | ROE、毛利率、资产负债率 |
| 规模因子 | 小市值公司长期跑赢大市值公司 | 总市值、流通市值 |
| 低波因子 | 低波动股票风险调整后收益更高 | 过去1年日收益率标准差 |
我曾经在A股做过一个回测：单纯用价值因子选股，年化超额收益大概在3%-5%之间。但加上质量因子做筛选后，超额收益直接翻倍。这说明什么？因子之间需要「化学反应」。
1.2.2 宏观因子
宏观因子关注的是整个经济环境的变化。这类因子对债券、商品、外汇的影响更大，但在股票组合里同样重要。
- 利率因子：利率变化影响所有资产的贴现率。我习惯用10年期国债收益率的变化率来度量。
- 通胀因子：通胀预期影响实际收益率。CPI、PPI是常用指标。
- 经济增长因子：GDP增速、PMI、工业增加值等。
- 信用利差因子：高收益债与国债的利差，反映市场风险偏好。
避坑指南：我曾经在构建多因子模型时，把利率因子和通胀因子同时放进去，结果两个因子高度相关，导致模型不稳定。后来我改用PCA提取宏观因子的主成分，效果好了很多。记住：因子之间要尽量正交。
1.2.3 另类因子
另类因子是近十年才火起来的。数据来源五花八门，但往往能提供传统因子看不到的信息。
- 舆情因子：新闻情感分析、社交媒体热度。我做过一个项目，用微博上的公司讨论量构建因子，在科技股上效果出奇的好。
- 供应链因子：上下游企业的经营数据。比如苹果的订单量可以预测相关供应商的业绩。
- 卫星数据因子：停车场车流量、工厂烟囱排放量。听起来很科幻，但确实有人用这个赚钱。
- 搜索量因子：百度指数、谷歌趋势。反映投资者的关注度。
说实话，另类因子最大的问题是数据清洗成本高。我有个朋友花了大半年处理卫星图像数据，结果发现信号太弱，根本跑不过简单的动量因子。所以我的建议是：先搞定传统因子，再考虑另类数据。
1.3 因子投资哲学
聊完定义和分类，咱们得说说背后的哲学。没有哲学指导，因子投资就是一堆数字游戏。
1.3.1 风险补偿理论
这是最主流的观点。每个因子都对应一种系统性风险，你承担了这个风险，市场就给你补偿。比如价值因子对应的是「困境风险」——低估值公司往往处于经营困境，未来可能更糟。
我个人比较认同这个理论。为什么？因为长期来看，没有免费的午餐。如果一个因子持续有效，它背后一定有某种风险在支撑。
1.3.2 行为金融学视角
另一种观点认为，因子收益来自投资者的系统性行为偏差。比如动量因子，就是因为投资者对信息反应不足，导致趋势延续。
你想想看，如果市场完全有效，因子应该都不存在。但现实中，投资者会过度反应、会锚定、会从众。这些非理性行为创造了因子收益。
我的看法：两种理论并不矛盾。风险补偿解释了因子的长期存在，行为偏差解释了因子的短期波动。做因子投资，既要理解风险，也要利用人性。
1.3.3 因子投资的三个原则
这些年做下来，我总结了三条原则，分享给你：
- 因子必须可解释：如果一个因子你讲不出故事，那它大概率是过拟合的产物。我见过太多人用几百个因子跑回测，结果实盘一塌糊涂。
- 因子必须可投资：有些因子学术上很漂亮，但实际交易成本太高。比如高频反转因子，在A股印花税面前就是笑话。
- 因子必须可持续：因子会衰减，但不会消失。如果一个因子在样本外完全失效，那说明你之前看到的只是噪音。
1.4 本章知识体系
下面这张图是我自己画的，把因子投资的基础框架梳理了一遍。你可以把它当作学习地图。
重要提醒：因子投资不是万能钥匙。我见过太多人把因子当成「圣杯」，结果亏得血本无归。记住：因子只是工具，真正的功夫在于你怎么理解市场、怎么管理风险、怎么控制情绪。这些，机器学不来。
好了，因子投资的基础就聊到这儿。这部分内容虽然简单，但它是后面所有机器学习模型的基础。你想想看，如果连因子是什么都没搞清楚，怎么用模型去组合它们？
公众号:蓝海资料掘金营，微信deep3321