2、因子分类体系：基本面因子、技术面因子、另类数据因子、宏观因子
做量化这几年，我最大的感触就是：因子分类这件事，看着简单，其实特别容易踩坑。
很多人一上来就堆因子，觉得越多越好。结果呢？回测曲线漂亮得像假的一样，实盘一跑就崩。说白了，你连因子属于哪个类别、背后是什么逻辑都没搞清楚，怎么可能稳定盈利？
我个人习惯，先把因子分成四大类。这四类就像盖房子的四根柱子，缺一根都不稳。
核心观点：因子分类不是学术游戏，而是为了理解「这个因子赚的是什么钱」。只有想清楚这一点，你才知道什么时候该用它，什么时候该扔掉它。
2.1 基本面因子
基本面因子，说白了就是看公司「本身值不值钱」。我刚开始做量化时，觉得这东西太慢了，不如技术面来得快。后来被市场教育了几次才明白——慢，恰恰是它的优势。
常见的几类：
- 估值类：市盈率、市净率、市销率。嗯，这里要注意，不同行业的估值中枢完全不一样。银行股PE 5倍算正常，科技股PE 50倍也不一定贵。
- 成长类：营收增速、净利润增速、ROE变化趋势。我在项目中遇到过一个问题：成长因子在牛市里特别猛，但熊市里回撤也最大。为什么？因为市场预期一旦反转，杀估值就是双倍的痛。
- 质量类：毛利率、净利率、资产负债率、现金流质量。这类因子比较稳，但爆发力弱。适合做底仓，不适合做进攻。
- 分红类：股息率、分红比例。你想想看，熊市里什么因子最抗跌？往往是高股息。因为跌到一定程度，分红收益率就变得有吸引力了，自然有人接盘。
我的经验：基本面因子适合做「低频+长周期」策略。如果你做的是日内高频交易，基本面因子基本没用。别问我怎么知道的——我曾经试图把季报数据用到分钟级策略里，结果惨不忍睹。
2.2 技术面因子
技术面因子，说白了就是看「市场行为本身」。价格、成交量、波动率，这些都是市场参与者用真金白银投票的结果。
我个人把技术面因子分成三个层次：
- 动量/反转类：过去N天的收益率、均线乖离率、RSI。这类因子最常用，但也最容易过拟合。我见过有人把参数优化到小数点后两位，结果换一个时间段就失效了。
- 量价关系类：成交量变化、量价背离、资金流向。量价配合才是有效的信号。光看价格不看量，就像开车只看速度不看油表。
- 波动率类：ATR、历史波动率、隐含波动率。波动率因子有个特点——它往往有均值回归的特性。波动率太高了会降下来，太低了会升上去。这个特性可以用来做择时。
避坑指南：我曾经在技术面因子上犯过一个低级错误——用未来数据计算指标。比如用当天的收盘价计算当天的均线，然后说这个因子预测能力很强。嗯，这其实是在预测过去。回测时一定要用「滞后」的数据，这是基本功。
2.3 另类数据因子
另类数据，说白了就是「传统金融数据之外的一切」。这是最近几年最火的方向，也是坑最多的地方。
常见的另类数据来源：
| 数据类别 | 具体例子 | 我的评价 |
|---|---|---|
| 社交媒体 | 微博情绪、股吧帖子、推特舆情 | 噪音极大，但处理好了效果惊人 |
| 卫星图像 | 停车场车辆数、农田面积、港口集装箱 | 数据成本高，适合机构 |
| 电商数据 | 商品销量、价格变动、用户评价 | 对消费股特别有效 |
| 招聘数据 | 公司招聘岗位数量、薪资变化 | 可以提前预判公司扩张/收缩 |
| 新闻文本 | 新闻情感分析、关键词热度 | 需要NLP技术，门槛较高 |
我在项目中用过一次微博情绪数据。当时发现一个规律：某只股票在股吧里被骂得越狠，第二天反而容易涨。为什么？因为散户情绪往往是反向指标。但这个规律只持续了三个月就失效了——因为越来越多的人发现了这个规律，开始反向操作。
我的建议：另类数据最大的问题不是数据本身，而是「数据清洗」。原始数据里可能有90%都是噪音。我曾经花了两周时间清洗一个月的微博数据，最后能用的不到10%。但就是这10%，做出了一个年化超额收益15%的因子。
2.4 宏观因子
宏观因子，说白了就是看「整个经济环境」。利率、汇率、通胀、GDP，这些东西单个看好像离股票很远，但合在一起，决定了市场的整体水位。
我个人最常用的宏观因子：
- 利率因子：国债收益率、期限利差、信用利差。利率是所有资产的定价锚。利率上升，股票估值整体承压；利率下降，成长股往往受益。
- 汇率因子：人民币汇率、美元指数。出口型企业受益于贬值，进口型企业受益于升值。这个逻辑很直接，但很多人做策略时容易忽略。
- 通胀因子：CPI、PPI、大宗商品价格。通胀上升期，上游资源股受益；通胀下行期，下游消费股受益。
- 政策因子：货币政策、财政政策、产业政策。这类因子最难量化，但影响最大。我一般用「事件研究法」来处理——比如降准后一周内，哪些板块表现最好。
关键认知：宏观因子不适合单独使用，它更适合作为「条件变量」。比如：在利率上升期，低估值因子表现更好；在利率下降期，高成长因子表现更好。宏观因子告诉你的是「什么时候该用什么因子」。
2.5 四大因子的关系与协同
你想想看，这四类因子其实不是孤立的。它们之间有天然的互补关系。
我画了一张图，帮你理清思路：
我个人在实际项目中，通常这样搭配：
- 底仓层：基本面因子选股，选出质地好的股票池
- 交易层：技术面因子做入场和出场信号
- 增强层：另类数据因子提供信息优势，跑赢同行
- 风控层：宏观因子控制整体仓位和行业暴露
一个小技巧：当你发现某个因子突然失效时，别急着删掉它。先看看是不是宏观环境变了。比如，低波动因子在2017年表现很好，2018年就不行了。为什么？因为2018年市场整体下跌，低波动股票也扛不住系统性风险。这不是因子的问题，是环境变了。
好了，因子分类体系就讲到这里。记住一句话：分类是为了理解，理解是为了应用。别为了分类而分类，也别为了堆因子而堆因子。把每一类因子的逻辑想清楚，你的策略才能经得起市场的考验。
公众号:蓝海资料掘金营，微信deep3321