4. 因子暴露分析：计算策略在常见因子上的暴露度

各位同学，咱们今天聊点实在的——因子暴露分析。

说白了，就是看看你的策略到底在赚什么钱。是跟着大盘涨跌？还是专门挑小盘股？或者是在赌波动率回归？我见过太多人，回测曲线漂亮得不行，一上实盘就崩。为什么？因为根本不知道自己策略的「底牌」是什么。

因子暴露分析，就是帮你翻底牌的工具。

4.1 什么是因子暴露？

先问个问题：你的策略收益率，能拆成几部分？

经典的思路是这样的：

策略收益 = 市场收益 + 因子收益 + 残差收益

市场收益就是大盘涨跌带来的。因子收益呢，是你主动暴露在某些风格上赚的钱。比如你一直买小市值股票，那市值因子就会贡献一部分收益。残差收益，才是你真正的alpha。

因子暴露，就是衡量你的策略跟某个因子「绑得有多紧」。暴露度越高，说明策略受这个因子影响越大。

4.2 常见因子有哪些？

我个人习惯用这四个核心因子：市值、动量、价值、波动率。够用，且不容易过拟合。

因子名称	含义	构建方式（简版）
市值因子 (SMB)	小盘股 vs 大盘股	小市值组合收益 - 大市值组合收益
动量因子 (MOM)	过去涨得好的 vs 涨得差的	过去12个月收益最高的股票 - 收益最低的
价值因子 (HML)	高账面市值比 vs 低账面市值比	高PB/PE股票组合 - 低PB/PE股票组合
波动率因子 (VOL)	低波动 vs 高波动	低波动率股票组合 - 高波动率股票组合

嗯，这里要注意：因子构建方式有很多变种。上面给的是最经典的Fama-French思路。你在实际项目中，可以根据数据情况调整。

4.3 计算步骤：手把手来一遍

咱们直接上代码。我用Python演示，数据用pandas处理。

第一步：准备数据

你需要两样东西：策略的每日收益率序列，以及各个因子的每日收益率序列。

import pandas as pd
import numpy as np
import statsmodels.api as sm

# 假设你已经有了这些数据
# strategy_returns: 策略每日收益率，Series
# factor_returns: 因子每日收益率，DataFrame，列名为 'SMB', 'MOM', 'HML', 'VOL'

# 看一眼数据长啥样
print(strategy_returns.head())
print(factor_returns.head())

第二步：做多元线性回归

把策略收益率作为因变量，四个因子收益率作为自变量。别忘了加截距项。

# 合并数据
data = pd.concat([strategy_returns, factor_returns], axis=1).dropna()
data.columns = ['strategy', 'SMB', 'MOM', 'HML', 'VOL']

# 自变量（加截距）
X = data[['SMB', 'MOM', 'HML', 'VOL']]
X = sm.add_constant(X)  # 加截距项

# 因变量
y = data['strategy']

# 跑回归
model = sm.OLS(y, X).fit()

# 看结果
print(model.summary())

跑完之后，你会得到每个因子的系数。这个系数就是暴露度。

第三步：解读结果

假设输出是这样的：

因子	暴露度	t值	p值
const	0.0005	1.23	0.22
SMB	0.35	5.67	0.00
MOM	-0.12	-2.01	0.04
HML	0.08	1.45	0.15
VOL	-0.25	-4.32	0.00

怎么读？

• SMB暴露度0.35：策略偏向小盘股。每1%的小盘股超额收益，策略能多赚0.35%。
• MOM暴露度-0.12：策略有反向动量特征。说白了，你在买跌得多的股票。
• HML暴露度0.08：价值因子暴露不显著（p值0.15）。说明策略跟价值风格关系不大。
• VOL暴露度-0.25：策略偏向低波动股票。每1%的低波动超额收益，策略能多赚0.25%。

4.4 可视化：一张图看懂暴露度

光看数字不够直观。我习惯画一个因子暴露度柱状图，带置信区间。

import matplotlib.pyplot as plt

# 提取系数和置信区间
coef = model.params[1:]  # 去掉截距项
ci = model.conf_int().iloc[1:]  # 95%置信区间

# 画图
fig, ax = plt.subplots(figsize=(10, 6))
ax.bar(coef.index, coef.values, yerr=abs(ci.values - coef.values.reshape(-1,1)).T, 
       capsize=5, color='steelblue', alpha=0.7)
ax.axhline(y=0, color='red', linestyle='--', linewidth=1)
ax.set_title('策略因子暴露度分析', fontsize=14)
ax.set_ylabel('暴露度')
ax.set_xlabel('因子')
plt.tight_layout()
plt.show()

这张图里，如果某个因子的置信区间跨过0线，说明暴露度不显著。一眼就能看出来。

4.5 知识体系总览

下面这张图，帮你把整个因子暴露分析的逻辑串起来：

4.6 避坑指南

最后，分享几个我踩过的坑：

• 数据频率要一致：策略用日频，因子也得用日频。别混着用周频和日频，结果会乱套。
• 小心幸存者偏差：因子数据里如果只包含当前还在交易的股票，那结果会偏乐观。我建议用全历史数据，包括已经退市的。
• 滚动窗口分析：因子暴露度不是一成不变的。我习惯用36个月的滚动窗口，每个月重新算一次暴露度。这样能看出策略风格有没有漂移。
• 别过度解读：暴露度高不代表因果关系。可能只是巧合。多跑几个时间段验证一下。

好了，因子暴露分析就聊到这儿。你回去把自己的策略跑一遍，看看暴露在哪些因子上。心里有数了，后面迭代才有方向。

---