一、多因子模型概述：从CAPM到多因子，因子投资的前世今生

1.1 一切的起点：CAPM 与它的“不完美”

说起多因子模型，咱们得先聊聊它的老前辈——CAPM（资本资产定价模型）。

CAPM 的逻辑其实很简洁：一只股票的预期收益，只跟它对市场波动的敏感度（Beta）有关。说白了，你承担了市场风险，就应该获得市场回报。这个理论在 60 年代提出来的时候，简直是金融界的一股清流。

但我个人在实际项目中很快发现一个问题：CAPM 的解释力太弱了。

举个例子，我曾在某券商做量化策略回测，用 CAPM 去解释 A 股个股的收益率截面差异，R² 经常只有 5%~10%。这意味着什么？市场风险只能解释一小部分收益，剩下 90% 都是“残差”。你想想看，这模型基本等于白搭。

学术界也注意到了这个尴尬。70 年代末，Basu 发现低市盈率股票长期跑赢高市盈率股票；Banz 发现小市值公司比大市值公司收益更高。这些现象，CAPM 一个都解释不了。

1.2 Fama-French 三因子模型：里程碑式的突破

1993 年，Fama 和 French 干了一件大事。他们把 CAPM 的“单因子”扩展成了“三因子”：

• 市场因子（MKT）：就是 CAPM 里的 Beta
• 规模因子（SMB）：小市值 vs 大市值
• 价值因子（HML）：高账面市值比 vs 低账面市值比

这个模型一出来，解释力直接从 10% 跳到了 30%~40%。我记得第一次在 A 股数据上跑三因子回归时，看到 R² 从个位数涨到 30% 多，心里那个爽啊——终于有个能用的模型了。

但这里有个坑，我曾经踩过：三因子模型在美国市场表现很好，但在 A 股市场，规模因子的效果极其不稳定。2017 年之前小盘股确实跑赢大盘股，但 2017 年之后风格切换，大盘蓝筹反而更强。如果你机械地照搬 Fama-French 的因子构造方法，很容易翻车。

1.3 从三因子到多因子：因子投资的“军备竞赛”

三因子模型成功后，学术界和业界就像打开了潘多拉魔盒。大家发现：原来可以找的因子这么多！

2015 年，Fama 和 French 自己又加了两个因子，变成五因子模型：

• 盈利因子（RMW）：高盈利公司 vs 低盈利公司
• 投资因子（CMA）：保守投资公司 vs 激进投资公司

与此同时，动量因子、低波因子、质量因子、分红因子……各种因子如雨后春笋般冒出来。我粗略统计过，学术论文里正式提出过的因子，少说也有 300 多个。

为什么会这样？说白了，因子投资本质上是在寻找“系统性错误定价”。市场不是完全有效的，总有一些规律可以被利用。你找到一个有效的因子，就等于找到了一台印钞机。

但这里有个大问题：因子太多，真伪难辨。很多因子只是数据挖掘的产物，换个时间段就失效了。我曾经测试过一个“天气因子”——晴天多的月份股票收益更高，结果回测 10 年效果很好，但 2018 年之后完全失效。嗯，这就是典型的过拟合。

1.4 因子投资的核心逻辑：一张图看懂

说了这么多，咱们用一张图来梳理一下因子投资的完整逻辑链条：

这张图展示了因子投资的完整闭环：从发现错误定价，到提取因子，再到构建模型，最后落地应用。而且别忘了——这是一个迭代过程。模型跑一段时间，因子可能失效，你得重新回到起点去寻找新的因子。

1.5 多因子模型的核心价值：风险收益平衡术

说了这么多，多因子模型到底好在哪？我个人认为，它的核心价值在于风险收益的精细化管理。

单因子模型（比如 CAPM）只能告诉你“市场风险有多大”，但多因子模型可以告诉你：

• 你的组合暴露了多少规模风险？
• 价值因子贡献了多少收益？
• 动量因子是不是在拖后腿？

我举个例子。之前有个客户，他的组合收益一直不错，但波动特别大。我用多因子模型一拆解，发现他无意中暴露了很高的动量因子敞口——市场涨的时候猛涨，市场跌的时候猛跌。后来我建议他加入低波因子做对冲，波动率直接降了 30%。

这就是多因子模型的魅力：你不仅能知道赚了多少，还能知道为什么赚、风险在哪。

1.6 一个简单的因子测试代码

最后，给大家看一段我常用的因子测试代码。虽然简单，但很实用：

import pandas as pd
import numpy as np
import statsmodels.api as sm

def factor_regression(returns, factors):
    """
    多因子回归：评估因子对收益的解释力
    returns: 个股收益率序列
    factors: 因子收益率矩阵（每列一个因子）
    """
    # 添加截距项
    X = sm.add_constant(factors)
    model = sm.OLS(returns, X).fit()
    
    # 输出结果
    print(f"R²: {model.rsquared:.3f}")
    print(f"调整R²: {model.rsquared_adj:.3f}")
    print("\n因子系数:")
    for name, coef, pval in zip(
        ['Alpha'] + list(factors.columns),
        model.params,
        model.pvalues
    ):
        sig = '***' if pval < 0.01 else '**' if pval < 0.05 else '*' if pval < 0.1 else ''
        print(f"{name:10s}: {coef:+.4f} (p={pval:.4f}) {sig}")
    
    return model

# 使用示例
# factor_regression(stock_returns, factor_df)

这段代码虽然只有 20 多行，但我在实际项目中用它做过上百次因子测试。记住一个原则：先跑回归，再看显著性，最后才决定要不要用这个因子。千万别跳过这一步，否则很容易被“伪因子”坑了。

---

好了，第一章的内容就到这里。因子投资的世界很大，咱们后面慢慢聊。