第二章：因子分类体系

做量化投资这些年，我最大的体会就是：因子分类这事儿，看着简单，做起来全是坑。你想想看，市场上几千只股票，每天上亿条数据，如果没有一个清晰的分类框架，那跟瞎子摸象没什么区别。

我个人习惯把因子分成四大类：宏观因子、风格因子、行业因子、主题因子。这四类各有各的脾气，咱们一个一个说。

2.1 宏观因子：经济的脉搏

宏观因子，说白了就是整个经济大环境的温度计。我刚开始做量化的时候，总觉得宏观因子太虚，不如技术指标来得实在。直到有一次，我重仓了一个周期股策略，结果央行突然加息，三天亏了15%。嗯，从那以后我再也不敢小看宏观因子了。

宏观因子主要分三类：

• 经济增长因子：GDP增速、PMI、工业增加值、社零数据
• 通胀因子：CPI、PPI、核心通胀率、大宗商品价格
• 利率因子：基准利率、国债收益率、信用利差、SHIBOR

我曾经犯过一个错误：把CPI和PPI放在同一个因子模型里。结果两个变量高度相关，模型直接炸了。后来我才明白，宏观因子之间相关性很强，建模时一定要做多重共线性检验。

2.2 风格因子：股票的"性格"

风格因子是我最常用的。你想想看，股票跟人一样，各有各的性格。有的股票天生就便宜（价值），有的就是涨得快（动量），有的稳如老狗（低波）。

我常用的风格因子有五个：

因子名称	核心逻辑	常用指标	我的经验
价值因子	便宜就是硬道理	PE、PB、PS、股息率	注意区分"真便宜"和"价值陷阱"
动量因子	强者恒强	过去6-12个月收益率	动量容易在震荡市里翻车
质量因子	好公司才有好回报	ROE、毛利率、负债率	质量因子在熊市里最抗跌
规模因子	小盘股有超额收益	市值、流通市值	A股的小盘效应比美股明显
低波因子	稳扎稳打	过去1年波动率、Beta	低波因子长期有效，但短期可能跑输

2.3 行业因子：赛道决定命运

行业因子，说白了就是"选对赛道比选对马更重要"。我记得2019年，我同时看好两个股票，一个在半导体行业，一个在纺织行业。结果半导体那个涨了200%，纺织那个跌了10%。同样的选股逻辑，不同的行业，天壤之别。

行业因子的分类标准：

• 申万一级行业：28个行业，最常用
• 中信行业：29个行业，机构用得比较多
• GICS行业：全球标准，做跨市场策略时必用

我个人习惯用申万一级行业，因为它在A股市场覆盖最全。但要注意，行业分类每年都会调整，比如2021年申万就把"食品饮料"拆成了"食品"和"饮料"两个行业。做回测的时候一定要用当时的行业分类，不然会有前视偏差。

2.4 主题因子：风口上的猪

主题因子是最难把握的，但也是收益最高的。你想想看，2020年的新能源、2021年的元宇宙、2023年的AI，哪个不是涨得让人眼红？

主题因子的特点：

• 时效性强：一个主题可能只火3-6个月
• 波动大：涨得快，跌得也快
• 难以量化：很多主题因子靠的是"概念"，不是数据

2.5 因子分类框架图

下面这张图是我自己整理的因子分类框架，每次做策略之前我都会看一眼，提醒自己不要漏掉某个维度。

2.6 因子之间的相互作用

这里我要说一个很多人忽略的问题：因子之间不是独立的。你想想看，利率上升的时候，价值因子往往表现好，成长因子就吃瘪。这就是因子之间的"跷跷板效应"。

我总结了几组常见的因子关系：

• 利率 vs 成长：利率越低，成长因子越强
• 通胀 vs 价值：通胀上升，价值因子受益
• 经济增速 vs 动量：经济好，动量因子有效
• 波动率 vs 低波：市场波动大，低波因子吃香

2.7 一个简单的因子分类代码

下面是我常用的因子分类代码，用Python写的。这个代码的作用是把因子按照类别打上标签，方便后续建模。

# 因子分类函数
def classify_factor(factor_name):
    """
    对因子进行分类
    返回: 'macro', 'style', 'industry', 'theme'
    """
    macro_factors = ['GDP', 'CPI', 'PPI', 'PMI', '利率', 'M2', '社融']
    style_factors = ['PE', 'PB', '动量', '波动率', '市值', 'ROE', '股息率']
    industry_factors = ['申万', '中信', 'GICS', '行业']
    theme_factors = ['新能源', 'AI', '元宇宙', '碳中和', '半导体']
    
    for keyword in macro_factors:
        if keyword in factor_name:
            return 'macro'
    for keyword in style_factors:
        if keyword in factor_name:
            return 'style'
    for keyword in industry_factors:
        if keyword in factor_name:
            return 'industry'
    for keyword in theme_factors:
        if keyword in factor_name:
            return 'theme'
    return 'unknown'

# 使用示例
factors = ['GDP增速', 'PE_TTM', '申万一级行业', 'AI概念']
for f in factors:
    print(f"{f} -> {classify_factor(f)}")

这个代码虽然简单，但我在实际项目中用了好几年。后来数据量大了，我改成了用配置文件来管理因子分类，但核心逻辑没变。

2.8 本章小结

因子分类这事儿，说白了就是给市场"拍X光片"。宏观因子看骨架，风格因子看肌肉，行业因子看器官，主题因子看神经。四者结合，才能看清市场的全貌。

我个人建议，刚开始做因子研究的朋友，先从风格因子入手。因为风格因子数据好拿、逻辑清晰、回测方便。等风格因子玩熟了，再慢慢加入宏观和行业因子。主题因子嘛...嗯，这个要看缘分，别强求。

---

公众号:蓝海数据掘金营，微信deep3321