2、多因子模型基础：从CAPM到多因子构建逻辑

聊多因子模型之前，咱们得先搞清楚一个根本问题：股票的收益到底从哪来？

你想想看，如果市场是有效的，那买什么股票都一样，大家拿的都是市场平均收益。但现实显然不是这样。有些人能跑赢大盘，有些人却亏得底裤都不剩。这中间的差异，就是我们要研究的超额收益。

我个人习惯把多因子模型理解成「拆解收益的放大镜」。它帮我们把股票收益拆成一块一块的，看看哪些是市场给的，哪些是风格给的，哪些是真正的alpha。

2.1 CAPM模型回顾：一切的基础

CAPM，资本资产定价模型。这东西是金融学里最基础的模型之一，也是很多量化策略的起点。

它的公式很简单：

E(Ri) = Rf + βi × (E(Rm) - Rf)

翻译成人话就是：一只股票的预期收益 = 无风险利率 + 它的贝塔 × 市场风险溢价

贝塔（β）衡量的是股票对市场的敏感度。β=1，说明股票跟大盘同涨同跌；β=1.5，说明大盘涨1%，它涨1.5%；β=0.5，说明它比大盘稳当。

我在项目中遇到过不少新手，上来就找高β的股票，觉得涨得快。嗯，涨得快是没错，但跌起来也快啊。CAPM告诉我们，高收益对应高风险，这是最基本的金融逻辑。

但说实话，这些假设在现实中基本都不成立。所以CAPM虽然理论漂亮，实际用起来却经常翻车。我记得有一次做回测，用CAPM算出来的预期收益跟实际收益差了十万八千里。当时我就意识到，单靠一个因子是不够的。

2.2 Fama-French三因子模型：从1到3的进化

1992年，Fama和French这两位大佬发表了一篇论文，直接改写了量化投资的游戏规则。他们发现，除了市场风险，还有两个因子能解释股票收益：市值因子（SMB）和价值因子（HML）。

三因子模型的公式：

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

说白了就是：股票的超额收益 = 市场因子贡献 + 市值因子贡献 + 价值因子贡献

为什么加这两个因子？

• SMB（Small Minus Big）：小盘股长期跑赢大盘股。我刚开始做量化时不信这个，觉得大公司更稳。结果回测数据啪啪打脸，小盘股确实有超额收益，但波动也大。
• HML（High Minus Low）：高账面市值比的股票（价值股）跑赢低账面市值比的股票（成长股）。这个因子在A股也有效，但有时候会失效一段时间。

你想想看，三因子模型比CAPM多了两个解释变量，R方（拟合度）从不到10%提升到了30%以上。这意味着我们能更好地解释股票收益的来源。

模型	因子数量	解释力度（R方）	适用场景
CAPM	1个（市场）	5%-15%	基础分析、课堂练习
Fama-French三因子	3个（市场+规模+价值）	25%-40%	组合归因、风险控制

2.3 多因子模型的构建逻辑：从理论到实战

三因子模型之后，学者们又发现了动量因子、质量因子、低波因子等等。于是多因子模型就诞生了。

多因子模型的核心思想很简单：用多个因子共同解释股票收益，找到那些真正能产生超额收益的因子。

构建逻辑分三步走：

1. 因子选择：从上百个候选因子中挑出有效的。我一般先用IC（信息系数）和IR（信息比率）做初筛，IC绝对值大于0.02的才考虑。
2. 因子合成：把多个因子合成一个综合得分。常用的方法有等权加权、IC加权、回归加权等。我个人习惯用IC加权，因为能动态调整因子权重。
3. 组合构建：根据综合得分选股票，构建多头组合和空头组合，形成多空对冲策略。

下面这张图展示了多因子模型的完整构建流程：

构建多因子模型时，有几个坑要特别注意：

• 因子共线性：两个因子高度相关，会导致模型不稳定。我一般用VIF（方差膨胀因子）检测，VIF大于5的因子就剔除一个。
• 过拟合：因子越多越容易过拟合。记住一个原则：因子数量不要超过样本数量的1/10。
• 因子衰减：有些因子过去有效，未来不一定有效。我每个月都会重新计算因子IC，动态调整因子权重。

多因子模型的魅力在于，它把投资从「拍脑袋」变成了「算数据」。你不需要猜哪只股票会涨，只需要找到那些能持续产生超额收益的因子，然后让模型帮你做决策。

嗯，这就是多因子模型的基础逻辑。从CAPM到三因子，再到多因子，每一步都是对现实世界的更精确刻画。但记住，模型只是工具，真正决定成败的，是你对市场的理解和持续迭代的能力。

---

公众号:蓝海资料掘金营，微信deep3321