第1章因子投资概述

一、因子投资概述：什么是因子投资？

因子投资，说白了就是找规律。

你想想看，股票市场里几千只股票，为什么有的涨有的跌？难道全靠运气吗？当然不是。我做了这么多年量化，发现一个朴素的道理：股票的收益背后，总有一些可解释的驱动力。这些驱动力，就是我们说的「因子」。

举个例子。你可能会发现，小市值的公司长期来看比大市值的公司涨得好，或者便宜的股票（低市盈率）比贵的股票表现更稳。这些规律不是偶然的，它们背后有经济学逻辑支撑。因子投资，就是把这些规律系统化、模型化，然后用来指导我们的投资决策。

核心定义：因子投资是一种基于系统性风险因子的投资策略。它不依赖基金经理的个人直觉，而是通过识别和暴露于某些特定的风险因子，来获取超额收益。

因子投资不是凭空冒出来的。它的发展历程，其实是一部金融学从定性走向定量的进化史。

1960年代 - CAPM模型诞生：夏普等人提出了资本资产定价模型。那时候大家觉得，股票的收益只跟市场风险（Beta）有关。说白了就是：大盘涨你就涨，大盘跌你就跌。这个模型简单，但太粗糙了。
1990年代 - Fama-French三因子模型：尤金·法玛和肯尼斯·弗伦奇发现，光看市场风险不够。他们加入了市值因子（SMB）和价值因子（HML）。我记得第一次看到这篇论文时，心里想：「原来小盘股和价值股真的有系统性优势。」这个模型奠定了多因子分析的基础。
2000年代至今 - 因子爆炸：动量因子、质量因子、低波动因子、红利因子……各种因子层出不穷。学术界和业界都在疯狂挖掘新的因子。我经历过那个时期，说实话，有些因子确实有效，但也有很多是数据挖掘出来的伪规律。

我个人习惯：在构建因子库时，我会优先选择那些有经济学逻辑支撑的因子，而不是纯粹靠数据回测出来的。为什么？因为逻辑可以帮你判断这个因子在未来是否仍然有效。

单因子模型就像只用一把尺子量东西，局限性很大。多因子模型的核心逻辑，就是用多把尺子从不同维度去衡量一只股票。

它的数学表达其实很简单：

预期收益 = 无风险利率 + β₁ × 因子1溢价 + β₂ × 因子2溢价 + ... + βₙ × 因子n溢价

这里的β（因子暴露）表示股票对某个因子的敏感程度。比如，一只小盘股对市值因子的暴露就很高。

多因子模型为什么有效？我总结了几点：

风险分散：不同因子之间的相关性通常较低。当价值因子表现不好时，动量因子可能正在发力。这就像你吃饭不能只吃一道菜，营养要均衡。
收益增强：多个因子叠加，可以捕捉到更丰富的收益来源。我做过一个实验，单因子策略的年化收益大概在8-10%，但三个低相关因子组合后，收益能提升到15%以上。
稳定性提升：单因子容易失效，但多因子组合的稳定性要好得多。嗯，这里要注意，因子组合不是简单地把所有因子加起来，而是要考虑因子之间的交互作用。

避坑指南：我曾经犯过一个错误——把两个高度相关的因子同时放进模型里。结果呢？因子暴露过度集中，回撤特别大。后来我学乖了，构建多因子模型前，一定要先做因子相关性分析。

下面这张图，是我自己梳理的因子投资知识体系。它可以帮助你快速理解整个领域的脉络。

理论说完了，咱们聊聊实战。多因子模型在实际中怎么用？

第一步：因子选择。不是所有因子都值得用。我一般会从四个维度筛选：有效性、稳定性、可解释性、低相关性。比如，我会同时考虑价值因子（市盈率倒数）和动量因子（过去12个月收益率），因为它们之间的相关性通常很低。

第二步：因子合成。把多个因子合成一个综合得分。最简单的做法是标准化后等权相加。但说实话，等权往往不是最优的。我更喜欢用IC加权（信息系数加权），根据每个因子最近一段时间的预测能力动态调整权重。

第三步：组合构建。根据综合得分选股，同时控制行业暴露和风格暴露。这里有个坑——千万不要让某个行业过度集中。我曾经做过一个模型，因为金融股在某个因子上的得分特别高，结果组合里全是银行股。后来市场风格一变，回撤惨不忍睹。

关键指标：评价多因子模型的好坏，我主要看三个指标：

好了，这一章的内容就到这里。因子投资的核心，其实就是用系统化的方法去捕捉市场中的规律。它不神秘，也不复杂，但需要你沉下心来去理解每一个因子背后的逻辑。

记住一句话：因子投资不是圣杯，而是一套科学的投资框架。用好了，它能帮你稳定赚钱；用不好，它也能让你亏得莫名其妙。关键在于，你是否真正理解了它。