一、因子投资基础：什么是因子？因子投资的发展历程、因子投资的核心理念

大家好，我是老李。今天咱们开始聊因子组合优化与权重分配。第一节课，我想先带大家把地基打牢——到底什么是因子？这东西是怎么一步步变成今天这个样子的？

说实话，我刚开始接触量化那会儿，听到“因子”两个字，第一反应是“这不就是选股指标吗？”后来踩了不少坑才明白，因子远不止这么简单。

1.1 什么是因子？

因子，说白了就是一种能够解释资产收益差异的共性特征。你想想看，为什么茅台涨的时候，五粮液也跟着涨？为什么银行股跌的时候，保险股也难受？因为它们背后有共同的驱动力。

我个人习惯把因子分成三类：

• 风格因子：市值、估值、动量、波动率这些
• 宏观因子：利率、通胀、经济增长
• 统计因子：主成分分析提取出来的抽象因子

举个例子，你写一个选股策略，用市盈率排序买便宜的股票。这里的“市盈率”就是一个因子暴露。但要注意，因子不是指标本身，而是指标背后那个能解释风险收益的抽象概念。

我在项目中遇到过一件事。有个同事拿了几百个技术指标跑回测，收益曲线漂亮得不行。结果实盘三个月就崩了。为什么？因为那些指标只是统计上的巧合，没有因子逻辑。嗯，这里要注意——不是所有能赚钱的信号都叫因子。

1.2 因子投资的发展历程

因子投资不是凭空冒出来的。我把它分成四个阶段，大家看看自己现在处在哪个阶段：

阶段	时间	代表人物/理论	核心贡献
萌芽期	1950s-1970s	Markowitz、Sharpe	均值-方差框架、CAPM
发展期	1980s-1990s	Fama-French	三因子模型（市值、估值、市场）
成熟期	2000s-2010s	Carhart、Novy-Marx	动量因子、盈利因子等
爆发期	2010s至今	量化机构、学术圈	成百上千个因子、机器学习因子

我记得最早接触因子投资时，看的还是Fama和French那篇1993年的论文。当时觉得三因子模型简直是神作——原来市场收益可以被拆解得这么清楚。后来做多了才发现，因子也在进化。

举个例子，2000年之前，市值因子（小盘股溢价）非常显著。但2000年之后，尤其是2010年以后，小盘股溢价在美国市场几乎消失了。为什么会这样？因为太多人知道了这个因子，大家都在买小盘股，溢价就被套利掉了。

1.3 因子投资的核心理念

因子投资的核心理念，我用一句话概括：识别并系统性地暴露于有溢价的风险因子。

这里面有三个关键词：

1. 识别：找到真正能解释收益的因子，而不是噪音
2. 系统性：不是靠主观判断，而是用规则化的方式
3. 风险溢价：因子收益本质上是对承担风险的补偿

你想想看，为什么价值因子长期有效？因为买便宜的股票，意味着你要承受“价值陷阱”的风险——可能公司基本面真的恶化了。这个风险不是白担的，市场会给你补偿。

我个人习惯把因子投资和传统投资做个对比：

维度	传统投资	因子投资
决策依据	个股分析、主观判断	因子暴露、系统规则
风险来源	公司特有风险	系统性因子风险
收益来源	选股能力	因子溢价
可复制性	低（依赖个人能力）	高（规则化、可回测）

我曾经犯过一个错误。刚开始做因子投资时，我试图把所有能想到的因子都塞进模型，觉得因子越多越安全。结果呢？过拟合得一塌糊涂，样本外表现惨不忍睹。后来我才明白，因子投资的核心不是堆因子，而是理解因子。

1.4 因子投资的知识体系

下面这张图是我自己整理的因子投资知识体系，大家可以看看各个模块之间的关系：

这张图把因子投资的三个核心模块串起来了。左边是因子定义，中间是发展历程，右边是核心理念。大家可以看到，这三个模块是相互支撑的——没有清晰的定义，就谈不上发展；没有发展历程的理解，核心理念就成了空中楼阁。

1.5 一个简单的因子示例

光说不练假把式。我给大家看一个最简单的因子构建代码，用Python实现：

import pandas as pd
import numpy as np

# 假设我们有股票数据
# 构建一个简单的价值因子：市盈率的倒数（E/P）
def build_value_factor(price_data, earnings_data):
    """
    构建价值因子
    price_data: 价格数据，每列是一只股票
    earnings_data: 每股收益数据
    """
    # 计算市盈率
    pe_ratio = price_data / earnings_data
    
    # 因子值 = 市盈率的倒数
    factor_value = 1 / pe_ratio
    
    # 标准化处理（去极值、中性化）
    factor_value = factor_value.clip(
        lower=factor_value.quantile(0.01),
        upper=factor_value.quantile(0.99)
    )
    
    return factor_value

# 使用示例
# factor = build_value_factor(price_df, eps_df)

这段代码很简单，但包含了因子构建的核心步骤：计算原始指标 → 转化为因子值 → 处理极端值。我在实际项目中，还会加上行业中性化和市值中性化处理，这个后面章节会详细讲。

好了，第一章的内容就到这里。因子投资的基础概念、发展历程和核心理念，希望大家能有个整体认识。下一章咱们开始聊因子数据的获取与预处理——这可是个容易踩坑的环节。

---

公众号:蓝海数据掘金营，微信deep3321