第3章因子归因入门

3. 因子归因入门：因子暴露与因子收益、多因子模型框架、Barra模型简介

好，咱们今天聊聊因子归因。说实话，这是量化策略里最核心的环节之一。你辛辛苦苦跑出一个策略，赚了钱，但到底为什么赚？是运气好，还是真的抓住了市场的某种规律？因子归因就是来回答这个问题的。

我个人习惯把因子归因比作「体检报告」。你去看医生，医生不会只告诉你「你病了」，他会告诉你：血压多少、血脂多少、心率多少。因子归因也一样，它把策略的收益拆解成一个个「因子」的贡献，让你看清楚每一分钱是怎么来的。

先讲两个最基础的概念：因子暴露和因子收益。这两个词，说白了就是「你押了多少」和「你押对了没」。

因子暴露，也叫因子载荷，衡量的是你的投资组合在某个因子上的敏感度。举个例子，假设我们定义了一个「市值因子」——小盘股相对于大盘股的超额收益。如果你的组合里全是小盘股，那你在市值因子上的暴露就很高；如果全是大盘股，暴露就是负的。

因子收益，就是该因子在某个时间段内实际赚了多少钱。比如这个月小盘股跑赢大盘股3%，那市值因子的收益就是3%。

嗯，这里要注意：因子暴露是你主动选择的，因子收益是市场给的。你控制不了市场，但你可以控制自己的暴露。

核心公式：

组合收益 = 因子暴露 × 因子收益 + 特质收益

这个公式是所有归因分析的起点。我当年刚入行时，师傅让我把这个公式抄了十遍。现在想想，确实值得。

我在项目中遇到过一件事：有个同事做了一个策略，回测收益特别漂亮。结果一归因发现，90%的收益都来自「动量因子」——说白了就是追涨杀跌。那一年刚好是单边牛市，动量因子表现极好。但一旦市场反转，这个策略就会崩。这就是只看收益不看归因的后果。

单因子模型太简单了，现实中的股票收益受很多因素影响。所以我们需要多因子模型。

多因子模型的核心思想是：股票的预期收益 = 多个因子收益的线性组合 + 一个残差项。你想想看，一只股票今天涨了，可能是因为大盘涨了（市场因子），可能是因为它属于小盘股（市值因子），也可能是因为它估值低（价值因子）。多因子模型就是把这些因素拆开来看。

常见的多因子模型包括：

这些模型虽然经典，但说实话，在实战中往往不够用。我自己的经验是，针对A股市场，还需要加入一些特色因子，比如换手率因子、波动率因子等。

多因子模型的数学表达是这样的：

R_i = α_i + β_i1 * F_1 + β_i2 * F_2 + ... + β_ik * F_k + ε_i

其中：
R_i = 股票i的收益
α_i = 截距项（选股能力）
β_ij = 股票i在因子j上的暴露
F_j = 因子j的收益
ε_i = 残差（特质收益）

我曾经踩过一个坑：做多因子模型时，把相关性很高的两个因子同时放进去，结果模型参数估计极不稳定。后来才意识到，这就是多重共线性问题。所以做因子筛选时，一定要先做相关性分析。

避坑指南：

我曾经在构建多因子模型时，把「市盈率倒数」和「市净率倒数」同时放进去，结果两个因子的t值都不显著。后来发现它们相关性高达0.8。记住：因子之间要尽量正交，或者至少相关性要低。

说到多因子模型，就不得不提Barra。Barra模型是MSCI公司开发的，是目前业界最主流的风险模型之一。说白了，Barra就是一套标准化的因子体系，帮你做风险归因和绩效归因。

Barra模型有几个特点：

Barra模型的核心框架可以用下面这张图来表示：

Barra模型在实际应用中有几个关键步骤：

注意事项：

Barra模型虽然强大，但也不是万能的。我见过有人把Barra模型当成黑箱，完全不理解背后的假设。记住：任何模型都有局限性。Barra模型假设因子收益是线性的，但现实中很多因子是非线性的。另外，Barra模型的因子体系是基于美国市场开发的，直接套用到A股市场可能会有问题。

说到Barra模型在A股的应用，我个人的经验是：需要做一些本土化调整。比如A股市场散户占比高，换手率因子的解释力就比美股强很多。再比如A股有涨跌停板制度，极端行情下的因子收益估计需要特殊处理。

最后，我想强调一点：因子归因不是目的，而是手段。它的真正价值在于帮你理解策略的收益来源，从而做出更好的投资决策。如果你发现某个策略的收益全部来自一个因子，那就要警惕了——这个策略可能只是在赌一个方向。

好了，这一章的内容就到这里。因子归因入门其实不难，难的是在实际应用中不断积累经验。下一章我们会深入讲因子暴露的具体计算方法，到时候我会分享一些我在实战中踩过的坑。