2. 因子分类体系：基本面因子、技术面因子、另类数据因子、宏观因子
做量化这几年，我最大的体会就是：因子分类不是学术游戏，而是实战的起点。你想想看，一个策略池里几百个因子，如果没有清晰的分类体系，你根本不知道哪些因子在赚什么钱，更别提组合优化和风险控制了。
我个人习惯把因子分成四大类：基本面因子、技术面因子、另类数据因子、宏观因子。这四类因子各有各的脾气，也各有各的坑。下面我一个个拆开来讲。
2.1 基本面因子：最传统的价值挖掘器
基本面因子，说白了就是看公司的财务报表和经营数据。这类因子是量化投资的「老本行」，也是大多数入门者最先接触的。
核心逻辑：市场对基本面的定价存在偏差，通过财务数据可以捕捉这种偏差。
常见的几类基本面因子：
- 估值因子：PE、PB、PS、PCF 等。低估值股票长期跑赢高估值，这是被反复验证的。
- 盈利因子：ROE、ROA、毛利率、净利率。高盈利能力的公司往往有更强的股价支撑。
- 成长因子：营收增速、利润增速、EPS 增速。成长股在牛市中表现尤其亮眼。
- 质量因子：资产负债率、现金流质量、盈利稳定性。质量好的公司抗风险能力强。
- 分红因子：股息率、分红比例。稳定分红的公司通常有较好的治理结构。
我在项目中遇到过一个问题：估值因子在A股市场经常失效。为什么？因为A股散户占比高，短期炒作情绪重，低估值股票可能长期被低估。后来我加了一个「估值修复动量」的辅助因子，效果才明显改善。
实战技巧：基本面因子最好做「复合处理」。比如把 PE 和 PB 合成一个「综合估值因子」，比单独用任何一个都稳定。
2.2 技术面因子：市场行为的量化表达
技术面因子，其实就是把 K 线、成交量、价格形态这些传统技术分析的东西，用数学公式量化出来。嗯，这里要注意：技术面因子不是玄学，而是市场参与者行为的统计规律。
常见的技术面因子：
| 因子类别 | 具体因子 | 核心逻辑 |
|---|---|---|
| 动量因子 | 过去N日收益率、RSI、MACD | 趋势延续效应 |
| 反转因子 | 过去N日涨跌幅、乖离率 | 过度反应后的回归 |
| 量价因子 | 成交量变化率、换手率、量价背离 | 量价配合关系 |
| 波动因子 | 历史波动率、振幅、ATR | 波动率聚集效应 |
| 资金流因子 | 大单净流入、主力资金流向 | 聪明钱效应 |
我曾经踩过一个坑：动量因子在震荡市中频繁失效。我记得有一次回测结果特别漂亮，结果实盘一跑，连续三个月亏损。后来我加了一个「市场状态识别」的过滤器——只在趋势行情中启用动量因子，震荡市中切换到反转因子。效果立竿见影。
避坑指南：技术面因子对参数敏感度极高。我曾经用过去20天的动量因子做回测，效果很好；换成21天，结果完全相反。建议做参数敏感性分析，找到稳健的参数区间。
2.3 另类数据因子：信息不对称的突破口
另类数据因子，是近年来量化圈最火的方向。说白了，就是利用非传统数据源来获取信息优势。你想想看，当所有人都在看财报和K线时，你如果能从卫星图片、电商数据、舆情文本中挖掘出信号，那就是降维打击。
常见的另类数据来源：
- 文本数据：新闻舆情、社交媒体、研报摘要、管理层讨论
- 供应链数据：供应商关系、物流数据、库存变化
- 消费数据：电商销量、支付数据、信用卡消费
- 地理空间数据：卫星图像、GPS定位、人流热力图
- 专利数据：专利申请数量、技术领域分布
我个人习惯把另类数据因子分成两类：信号型因子和验证型因子。信号型因子直接产生交易信号，比如舆情情绪得分；验证型因子用来验证其他因子的可靠性，比如用供应链数据验证营收预测。
核心要点：另类数据的价值不在于数据本身，而在于你能否从中提取出「未被定价的信息」。如果数据已经被市场充分消化，那就没有超额收益了。
我在项目中做过一个「研报情绪因子」：用NLP分析券商研报的措辞，提取出积极/消极情绪得分。结果发现，研报情绪对短期股价有显著预测能力，但有效期只有3-5天。过了这个窗口，情绪因子就失效了。
实战技巧：另类数据因子最好和基本面因子结合使用。比如用「电商销量增速」来验证「营收增速」的可靠性，两者一致时信号更强。
2.4 宏观因子：大环境下的贝塔管理
宏观因子，关注的是整个经济体系层面的变量。这类因子不直接选股，而是用来判断市场整体方向，或者做行业配置。
常见的宏观因子：
- 利率因子：国债收益率、利率期限结构、信用利差
- 通胀因子：CPI、PPI、核心通胀率
- 经济增长因子：GDP增速、PMI、工业增加值
- 货币因子：M2增速、社融数据、汇率
- 政策因子：财政政策、产业政策、监管政策
宏观因子有一个特点：低频但影响深远。你可能一个月才看一次宏观数据，但一旦数据出现拐点，整个市场的定价逻辑都会改变。
我记得2022年做回测时，发现很多因子在加息周期和降息周期中的表现完全相反。后来我加了一个「宏观状态切换」的机制——根据利率走势动态调整因子权重。这个改动让整个策略的夏普比率提升了0.3。
避坑指南：宏观因子最大的问题是「数据滞后」。GDP数据发布时，市场已经提前反应了。建议使用「预期差」——实际数据与市场预期的差值，而不是原始数据本身。
2.5 因子分类体系的核心逻辑
下面这张图展示了四大因子之间的关系：
从这张图可以看出，四大因子不是孤立的，而是相互补充的。基本面因子提供长期价值锚，技术面因子捕捉短期交易机会，另类数据因子挖掘信息不对称，宏观因子管理系统性风险。
2.6 实战中的因子选择原则
说了这么多，到底怎么选因子？我总结了几条原则：
- 逻辑优先：因子必须有经济学或行为金融学解释。纯粹数据挖掘出来的因子，大概率是过拟合。
- 低相关性：同类因子之间相关性高，要合并；不同类因子之间相关性低，要保留。
- 稳定性：因子在不同市场环境下的表现要相对稳定。我见过一些因子在牛市中表现极好，熊市中一塌糊涂，这种因子要谨慎使用。
- 可操作性：因子要能实际交易。有些因子回测很漂亮，但实盘时交易成本太高或者流动性不足，那就没有意义。
核心总结：因子分类体系的本质，是帮你理解「你在赚什么钱」。基本面因子赚的是价值回归的钱，技术面因子赚的是趋势延续的钱，另类数据因子赚的是信息优势的钱，宏观因子赚的是周期轮动的钱。
嗯，这一章的内容就到这里。记住：分类是为了更好地组合，组合是为了更稳定地盈利。下一章我们会深入讨论因子的构建和测试方法，到时候再细聊。