第2章因子投资基础

第二章：因子投资基础

各位同学好，我是老张。今天咱们聊聊因子投资的基础。说实话，这章是整个Smart Beta课程的基石。你想想看，如果连因子是什么都搞不清楚，后面那些策略执行、权重优化就更别谈了。

我在2015年刚接触量化投资时，也犯过不少错。当时以为因子越多越好，结果回测曲线漂亮得不行，实盘却一塌糊涂。嗯，后来才明白——因子不是用来堆砌的，是用来理解市场的。

先说说什么是因子。说白了，因子就是能解释股票收益差异的某种特征。比如市值大的公司涨得慢，市值小的公司涨得快——这就是市值因子。

我个人习惯把因子分成三类：

我在项目中遇到过一件事：有个团队用统计因子做风控，结果因子载荷突然翻转，整个组合暴露在莫名其妙的风险里。所以我的建议是——优先用风格因子，至少你知道自己在赌什么。

核心要点：因子必须满足三个条件——持续性（长期有效）、普遍性（跨市场有效）、可投资性（能通过交易实现）。

单因子模型，最经典的就是CAPM。公式很简单：

E(Ri) = Rf + βi × (E(Rm) - Rf)

什么意思呢？就是股票的预期收益，等于无风险利率加上市场风险溢价乘以它的贝塔。贝塔越高，风险越大，预期收益也越高。

但说实话，CAPM在实战中用处有限。为什么？因为市场因子只能解释股票收益的一小部分。我记得2018年做过一个测试，用CAPM解释A股个股收益，R²平均只有15%左右。剩下的85%去哪了？被其他因子吃掉了。

实战技巧：单因子模型更适合做风险归因，而不是收益预测。我习惯用它来检查组合对市场的暴露度。

既然一个因子不够，那就多来几个。多因子模型的核心思想是：股票收益由多个因子共同驱动。

最著名的当属Fama-French三因子模型：

E(Ri) = Rf + βi × (Rm - Rf) + si × SMB + hi × HML

其中SMB是市值因子（小盘股减大盘股），HML是价值因子（高账面市值比减低账面市值比）。后来他们又加了动量、盈利、投资等因子，变成了五因子、六因子。

你想想看，多因子模型的好处是什么？它能帮你把收益拆解开。比如某只基金今年赚了20%，你可以说：10%来自市场上涨，5%来自小盘股风格，3%来自价值因子，剩下2%是基金经理的选股能力（Alpha）。

我在做Smart Beta策略时，通常用多因子模型做两件事：

注意：多因子模型有个陷阱——因子共线性。比如价值和低波在某些市场环境下高度相关，同时纳入会导致系数估计不稳定。我曾经吃过这个亏，后来改用正交化处理才解决。

为什么因子能带来超额收益？这个问题我问过自己无数遍。说白了，因子溢价背后一定有经济学逻辑，否则就是数据挖掘。

我总结了几种主流解释：

我个人比较认同风险补偿理论。说白了，因子溢价是对某种系统性风险的补偿。比如价值因子，你买便宜股票，就要承担它基本面恶化的风险。市场不会白给你钱，对吧？

但还有一种行为金融学的解释：投资者非理性。比如动量因子，就是因为人们追涨杀跌，导致趋势自我强化。这两种解释并不矛盾，很多时候是共存的。

我的经验：判断一个因子是否靠谱，先问自己三个问题——1）有没有经济学逻辑？2）能否用数据验证？3）实盘交易成本是否可控？三个都答「是」，再考虑用它。

下面这张图是我自己画的，把本章的核心逻辑串起来了。你仔细看看，应该能一目了然。

这张图把因子投资的三个核心模块串起来了。左边是因子分类，中间是模型框架，右边是经济学解释。三者缺一不可。你想想看，没有经济学解释的因子，就像没有地基的房子——看着漂亮，风一吹就倒。

避坑指南：我曾经花三个月时间挖出一个「完美因子」，回测夏普比高达2.5。结果一查，原来是数据前视偏差——用了未来数据。所以记住：因子研究的第一步不是找因子，而是清洗数据。

好了，这一章就到这里。因子投资的基础打牢了，后面讲Smart Beta执行策略时，你才能理解为什么选这些因子、怎么配权重、如何控制风险。咱们下一章见。

公众号:蓝海资料掘金营，微信deep3321