3、因子挖掘方法论：基本面因子、技术面因子、另类数据因子、因子挖掘的流程与注意事项

因子挖掘，说白了就是找到那些能预测股票涨跌的「信号」。我做了这么多年量化，见过太多人一上来就堆数据、跑回归，结果挖出来的因子全是噪音。今天咱们就聊聊，到底该怎么系统地挖因子。

3.1 基本面因子：从财报里找「硬逻辑」

基本面因子，就是基于公司财务数据、经营数据构建的因子。这类因子逻辑清晰，不容易过拟合。我个人习惯把基本面因子分成三类：

• 估值类：PE、PB、PS、PCF 等。说白了就是「便宜没好货」的反面——便宜有时候真是好货。
• 成长类：营收增速、利润增速、ROE 变化等。我在项目中遇到过，单纯用利润增速效果一般，但「超预期增速」往往很灵。
• 质量类：毛利率、净利率、资产负债率、现金流比率等。这类因子在熊市里特别管用。

3.2 技术面因子：从价格和成交量里找「规律」

技术面因子，就是基于历史价格、成交量、换手率等数据构建的因子。很多人觉得技术面是玄学，其实不然。关键在于你用什么逻辑去构造。

我常用的技术面因子包括：

• 动量因子：过去 N 日的收益率。注意，A 股短期动量（1-3 个月）往往反转，长期动量（6-12 个月）才有效。
• 反转因子：过去 N 日的跌幅。嗯，这里要注意，反转因子在震荡市里表现很好，但在单边牛市中会亏钱。
• 波动率因子：过去 N 日的标准差。低波动率股票长期跑赢高波动率，这个现象叫「低波动异象」。
• 成交量因子：换手率、成交量变化率等。量价配合才是真突破。

3.3 另类数据因子：从非传统数据里找「信息差」

另类数据，就是那些不是传统财报、也不是行情数据的信息。这类因子是当前量化竞争的「主战场」。为什么？因为传统因子已经太拥挤了。

我接触过的另类数据包括：

• 舆情数据：新闻情感、社交媒体热度、研报评级变化等。注意，舆情数据噪音很大，需要做「情感分析」和「异常检测」。
• 供应链数据：上下游企业的订单、库存、物流信息等。比如，苹果的供应商股价往往跟着苹果走。
• 卫星数据：停车场车流量、农田面积、港口集装箱数量等。这类数据成本高，但信息价值也高。
• 支付数据：信用卡消费、支付宝交易等。能直接反映企业的真实经营状况。

3.4 因子挖掘的流程：从想法到上线

因子挖掘不是拍脑袋，而是一套系统工程。我总结了一个五步流程：

1. 因子定义：明确因子的逻辑、计算方式、数据来源。比如「过去 20 日收益率」，要定义清楚是简单收益率还是对数收益率。
2. 数据准备：清洗数据、处理缺失值、对齐时间戳。这一步最耗时，也最容易出错。
3. 因子计算：用代码实现因子计算。注意，要避免「未来函数」——也就是用到了未来的数据。
4. 因子检验：做 IC 分析、分组回测、多因子共线性检验等。只有通过检验的因子才能进入候选池。
5. 因子上线：实盘测试、监控衰减、定期更新。因子是有「半衰期」的，过一段时间可能就失效了。

下面这张图展示了因子挖掘的完整流程：

3.5 因子挖掘的注意事项：别踩这些坑

挖因子看起来简单，但坑特别多。我把自己踩过的坑总结一下：

• 避免过拟合：你想想看，如果你用 1000 个因子去拟合 100 只股票，总能找到几个「显著」的。但那是假的。我建议用「样本外检验」和「交叉验证」来防止过拟合。
• 注意数据质量：数据有缺失、有错误、有幸存者偏差，都会导致因子失效。我曾经用了一套有「未来函数」的数据，回测曲线漂亮得不得了，实盘直接亏成狗。
• 关注因子衰减：因子不是永恒的。一个因子被发现后，大家都会用，它的超额收益就会消失。我一般每季度重新检验一次因子库，把失效的剔除掉。
• 不要忽视交易成本：有些因子换手率很高，看起来收益不错，但扣掉手续费和滑点，可能就亏了。一定要在回测中模拟真实交易成本。

3.6 一个简单的因子计算示例

说了这么多，咱们来点实际的。下面是一个简单的「过去 20 日动量因子」的计算代码：

import pandas as pd
import numpy as np

def calc_momentum_factor(price_df, window=20):
    """
    计算过去 N 日的动量因子
    price_df: DataFrame, 索引为日期, 列为股票代码, 值为收盘价
    """
    # 计算收益率
    ret_df = price_df.pct_change(window)
    
    # 做市值中性化处理（简化版）
    # 实际中需要回归剔除市值影响
    factor_df = ret_df - ret_df.mean(axis=1).values.reshape(-1, 1)
    
    # 处理缺失值
    factor_df = factor_df.fillna(0)
    
    # 做横截面标准化
    factor_df = (factor_df - factor_df.mean(axis=1).values.reshape(-1, 1)) / factor_df.std(axis=1).values.reshape(-1, 1)
    
    return factor_df

# 使用示例
# price_data = pd.read_csv('price_data.csv', index_col=0, parse_dates=True)
# momentum = calc_momentum_factor(price_data, window=20)

因子挖掘是一门手艺活，需要不断积累经验。别指望一上来就能挖到「圣杯」。多试、多错、多总结，慢慢你就会找到感觉。