第三章：因子逻辑与实证：为什么这些因子能赚钱？
说实话，很多刚入行的朋友问我：“因子选股到底靠不靠谱？”
我的回答很直接：靠谱，但前提是你得搞懂它为什么能赚钱。光看回测曲线漂亮就冲进去，那是给自己挖坑。我自己就吃过这个亏——2015年那会儿，我拿着一个动量因子策略跑得飞起，结果2016年风格切换，直接回撤了30%。嗯，从那以后，我养成了一个习惯：先问三个为什么——这个因子背后的经济学逻辑是什么？行为金融学解释是什么？它在什么环境下会失效？
3.1 因子收益的两种来源
因子能赚钱，说白了就两个来源：
- 风险补偿：承担了某种系统性风险，市场给你的回报。比如价值股在经济衰退期跌得更惨，所以长期来看需要更高的收益来补偿。
- 行为偏差：投资者不理性，导致某些股票被错误定价。你利用这个错误赚钱，等价格回归合理。
我个人习惯把这两者比作“钓鱼”和“捡漏”。风险补偿是钓鱼——你知道鱼在哪儿，但得等；行为偏差是捡漏——别人把钱包掉地上了，你捡起来。两者都能赚钱，但逻辑完全不同。
核心观点：一个因子的超额收益，要么来自它暴露了某种未被分散的风险，要么来自它利用了市场的系统性错误。两者往往同时存在。
3.2 价值因子：便宜就是硬道理？
价值因子（低PE、低PB、高股息率）是量化界的“老大哥”。我刚开始做策略时，第一个跑的就是价值因子。为什么它能赚钱？
3.2.1 经济学解释：风险补偿
价值股通常是那些陷入困境的公司——盈利下滑、行业不景气、市场不看好。这类公司对经济下行更敏感，一旦经济恶化，它们可能直接破产。所以，投资者要求更高的预期回报来补偿这种“困境风险”。
你看，这就像借钱给一个信用记录不太好的人——利息肯定要高一些。价值因子的超额收益，本质上就是这种“风险溢价”。
3.2.2 行为金融学解释：过度反应与锚定效应
但光有风险补偿还不够。行为金融学给出了另一个视角：投资者会过度反应。
举个例子：某公司连续两个季度业绩不及预期，市场直接给它打骨折。投资者锚定在过去的“好日子”里，觉得这家公司完了。但实际上，它可能只是暂时遇到困难。等业绩反转，股价就涨回来了。
我在2018年做过一个回测：用PB最低的10%股票构建组合，持有期12个月。结果发现，这些股票在买入后的第6到第12个月表现最好。为什么？因为市场需要时间消化负面情绪，慢慢发现“哦，原来没那么糟”。
避坑指南：我曾经踩过一个坑——只看PE不看行业。结果买了一大堆银行股，因为银行PE天然低。但银行股的低PE反映的是杠杆风险，不是真正的价值。后来我改用“行业中性化”处理，才把这个问题解决。
3.3 动量因子：追涨杀跌的科学依据
动量因子（过去3-12个月涨幅高的股票继续涨）可能是最反直觉的因子。你想想看，有效市场假说认为价格已经反映所有信息，那为什么涨的还会继续涨？
3.3.1 行为金融学解释：反应不足与羊群效应
核心原因有两个：
- 反应不足：好消息出来时，投资者需要时间消化。一开始只有少数人意识到这是个大利好，股价慢慢涨。等更多人反应过来，股价继续涨。这个过程可能持续几个月。
- 羊群效应：看到别人赚钱，自己也跟进去。这种跟风行为会推动价格继续偏离基本面，形成“自我实现的预言”。
我记得2019年做A股动量策略时，发现一个有趣的现象：短期动量（1个月）在A股是负的——涨多了会跌。但中期动量（6个月）是正的。这说明A股散户多，短期追涨杀跌太猛，导致反转；但机构主导的中期趋势反而更稳定。
3.3.2 经济学解释：信息扩散速度
从经济学角度看，信息不是瞬间传播到所有投资者的。大机构先知道，小机构后知道，散户最后知道。这种信息扩散的“时滞”造成了价格趋势。你想想看，如果所有人都同时知道一个好消息，股价会瞬间跳涨，哪来的动量？
注意：动量因子在极端行情下会死得很惨。2020年3月新冠疫情爆发，全球股市暴跌，动量策略直接腰斩。因为所有股票都在跌，前期涨得多的跌得更狠。所以，动量因子一定要搭配止损和风险控制。
3.4 质量因子：好公司就该贵一点？
质量因子（高ROE、低负债、盈利稳定）听起来很“价值投资”，但它的逻辑其实更微妙。
3.4.1 经济学解释：盈利持续性溢价
高质量公司通常有“护城河”——品牌、技术、规模优势。这些公司能持续产生超额利润，但市场往往低估了这种持续性。为什么？因为好公司的股价通常不便宜，投资者觉得“已经贵了，不会再涨”。但实际上，好公司的盈利增长能持续很多年，时间会消化高估值。
我做过一个统计：A股中ROE连续5年超过15%的公司，未来3年的平均年化收益比全市场高5-8%。这个溢价，就是市场对“盈利持续性”的定价不足。
3.4.2 行为金融学解释：过度外推
投资者有个坏毛病：看到一家公司最近盈利好，就觉得它永远好；看到一家公司最近亏损，就觉得它完蛋了。这种“过度外推”导致好公司的股价被低估（因为投资者觉得“好日子快到头了”），差公司的股价被高估（因为投资者觉得“坏日子快结束了”）。
质量因子就是利用这个偏差——买入那些被低估的好公司，等市场重新认识它的价值。
3.5 低波动因子：慢就是快
低波动因子（过去波动率低的股票表现更好）可能是最反常识的。高风险不是应该高回报吗？
3.5.1 行为金融学解释：彩票偏好
投资者天生喜欢“彩票”——那些波动大、可能暴涨的股票。你想想看，一只股票一年涨10倍的概率是1%，但很多人愿意为这个“梦想”买单。结果就是，高波动股票被过度追捧，价格虚高；低波动股票被冷落，价格低估。
我2017年做过一个实验：把A股按过去1年波动率分成5组，最低波动组未来1年收益最高，最高波动组收益最低。这个结果在美股、欧股、日股都成立。说白了，市场对“彩票”的偏好是全球性的。
3.5.2 经济学解释：杠杆约束
机构投资者（比如养老金、保险）有严格的杠杆限制。他们想获得更高收益，只能去买高波动股票——因为不能加杠杆。这种行为推高了高波动股票的价格，压低了它们的预期收益。而低波动股票因为没人买，反而提供了更高的风险调整后收益。
总结一下：
| 因子 | 经济学解释 | 行为金融学解释 |
|---|---|---|
| 价值 | 困境风险补偿 | 过度反应、锚定效应 |
| 动量 | 信息扩散时滞 | 反应不足、羊群效应 |
| 质量 | 盈利持续性溢价 | 过度外推 |
| 低波动 | 杠杆约束 | 彩票偏好 |
3.6 因子逻辑的框架图
下面这张图是我自己总结的因子逻辑框架。每次做新因子研究，我都会先画一遍这个图，确保逻辑闭环。
3.7 实证检验：别光说不练
理论说得再好，也得拿数据说话。我一般用以下步骤验证一个因子：
- 单变量分组测试：把股票按因子值分成10组，看最高组和最低组的收益差是否显著。
- 多变量回归：控制市值、行业、波动率等常见因子后，看这个因子是否还有独立解释力。
- 子样本测试：在不同时间段（牛熊市）、不同市场（A股、港股、美股）测试，看结果是否稳定。
下面是我做的一个简单测试代码（Python风格）：
# 单变量分组测试示例
import pandas as pd
import numpy as np
def factor_group_test(data, factor_col, return_col, n_groups=10):
"""
因子分组测试
data: DataFrame，包含因子值和未来收益
"""
# 按因子值排序分组
data['group'] = pd.qcut(data[factor_col], n_groups, labels=False)
# 计算每组平均收益
group_returns = data.groupby('group')[return_col].mean()
# 计算多空收益差（最高组 - 最低组）
long_short = group_returns.iloc[-1] - group_returns.iloc[0]
return group_returns, long_short
# 使用示例
# returns, spread = factor_group_test(df, 'pe_ratio', 'future_1m_return')
# print(f"多空收益差: {spread:.2%}")
个人经验：我建议你在做因子测试时，至少用3个不同的回测周期（比如2005-2010、2010-2015、2015-2020）。如果一个因子只在某个特定周期有效，那它很可能是个“数据挖掘”的产物，不是真正的因子。
3.8 本章小结
因子能赚钱，不是玄学。每个因子背后都有扎实的经济学或行为金融学逻辑。我个人认为，理解这些逻辑比跑回测更重要——因为只有理解了，你才知道什么时候该用、什么时候该躲。
记住一句话：没有永远有效的因子，只有永远变化的逻辑。下一章我们会讲如何把这些因子组合起来，构建真正的Smart Beta策略。
公众号:蓝海资料掘金营，微信deep3321