一、因子初探：什么是因子？因子在量化投资中的角色，多因子模型的基本思想

说实话，刚入行那会儿，我对「因子」这个词挺懵的。

听起来像数学课本里的东西，跟炒股有什么关系？

后来做多了才明白——因子，就是你能用来解释股票涨跌的那个「原因」。

1.1 什么是因子？

我习惯这么定义：因子是一个可观测、可量化的特征，它能够系统性地影响股票的预期收益。

说白了，就是你用来选股的「一把尺子」。

举个例子：

• 市盈率（PE）：低市盈率的股票，长期是不是更容易涨？这就是一个估值因子。
• 动量：过去三个月涨得好的股票，接下来一个月是不是还会涨？这就是动量因子。
• 换手率：交易活跃的股票，是不是短期波动更大？这就是流动性因子。

每个因子，本质上都在捕捉市场中的某种「规律」或「异象」。

1.2 因子在量化投资中的角色

因子在量化投资里，到底扮演什么角色？

我自己的理解是——因子就是你的「投资逻辑」的数学化表达。

你想想看：

• 传统投资靠基金经理拍脑袋：「我觉得这个公司好。」
• 量化投资靠因子打分：「这个公司的估值因子得分高，动量因子得分也高，综合排名前10%，买它。」

因子把主观判断，变成了客观规则。

我在项目中遇到过一件事：有个策略，用了三个因子——估值、成长、质量。回测表现很好，年化20%以上。但实盘跑了三个月，收益只有8%。

后来一查，问题出在「质量因子」上。那个因子用的是ROE，但ROE有滞后性，季报出来的时候股价早就反应完了。

嗯，这里要注意：因子的时效性，比你想象的重要得多。

1.3 多因子模型的基本思想

单因子模型，说白了就是「一招鲜」。

比如你只用市盈率选股，低PE的买，高PE的卖。但市场风格一变，你可能就吃瘪了。

多因子模型的核心思想很简单：把多个因子组合起来，综合打分。

打个比方：

• 单因子模型：只看「身高」选篮球队。结果选了一堆高个子，但跑不动、投不准。
• 多因子模型：看「身高+速度+投篮命中率+防守能力」，综合评分。选出来的人，整体更均衡。

多因子模型的基本流程，我习惯分成三步：

1. 因子构建：把原始数据（价格、财务数据、交易量等）加工成因子值。
2. 因子合成：把多个因子值，通过某种方式（等权、加权、机器学习等）合成一个综合得分。
3. 选股与调仓：根据综合得分排序，选前N只股票买入，定期调仓。

我曾经犯过一个错：把两个高度相关的因子（比如PE和PB）同时放进了模型。结果它们互相放大，导致模型在估值风格上过度暴露。市场一转向，回撤惨不忍睹。

所以，因子之间的相关性，一定要提前检查。

1.4 多因子模型的知识体系

下面这张图，是我自己整理的多因子模型核心逻辑。你可以把它当作本章的「地图」：

这张图里，我特别想强调一个点：回测验证和实盘监控，不是一次性工作。

因子会衰减，市场风格会切换。你去年好用的因子，今年可能就失效了。所以，多因子模型是一个需要持续迭代的系统，不是一劳永逸的「圣杯」。

1.5 一个简单的因子打分示例

光说不练假把式。我写个最简单的例子，帮你理解「因子打分」到底怎么玩。

假设我们有5只股票，两个因子：市盈率（PE）和过去一个月收益率（动量）。

股票	PE	动量（%）	PE得分（越低越好）	动量得分（越高越好）	综合得分
A	10	5	5	3	8
B	15	8	4	5	9
C	20	2	3	1	4
D	25	6	2	4	6
E	30	4	1	2	3

这里我用的是最简单的「排名打分法」：

• PE越低，得分越高（因为低PE是「好」的）
• 动量越高，得分越高
• 综合得分 = PE得分 + 动量得分

最终，股票B综合得分最高（9分），股票E最低（3分）。

如果我们要选前2只，那就是B和A。

当然，真实场景比这复杂得多。你会遇到因子缺失值、极端值、行业中性化、市值中性化等等问题。但核心逻辑，就是这个「打分-排序-选股」的框架。

好了，这一章就到这里。因子这个东西，说难不难，说简单也不简单。关键是——你得动手去算，去回测，去踩坑。光看理论，永远学不会。

---

公众号:蓝海资料掘金营，微信deep3321