3、因子暴露与组合构建：如何计算个股的因子暴露，基于因子得分的加权方法
好，咱们进入正题。这一节要聊的，是Smart Beta策略里最核心的实操环节——怎么算个股的因子暴露，以及拿到暴露分数后，怎么把它变成真正的持仓权重。
说实话，我早年刚接触量化时，觉得因子选股就是算个分、排个序、买前几名。后来发现，暴露计算和加权方式才是决定策略收益来源的关键。你因子选得再好，加权方法不对，照样跑偏。
3.1 个股因子暴露：从原始数据到标准化分数
因子暴露，说白了就是某只股票在某个因子上的“含量”。比如价值因子，你拿市盈率（PE）的倒数来度量，那低PE的股票暴露值就高。
但这里有个坑：不同因子的量纲完全不同。PE的倒数可能是0.01到0.1，换手率可能是0.5%到5%，动量因子可能是-20%到+50%。你没法直接拿原始值去比较或加权。
所以，标准化是必须的。我个人习惯用两种方法：
3.1.1 Z-Score标准化
这是最常用的方法。对每个因子，计算全市场股票的均值和标准差，然后：
Z_score = (原始值 - 均值) / 标准差这样处理后，所有因子暴露都变成均值为0、标准差为1的分布。正值表示高于平均水平，负值表示低于平均水平。
3.1.2 百分位排名法
另一种常见做法是把原始值转为0到1之间的百分位排名。比如市盈率最低的1%股票，得分0.01；最高的1%，得分0.99。
Percentile = (排名 - 1) / (总股票数 - 1)这种方法的好处是不受极端值影响，而且分布均匀。但缺点是丢失了原始数据的距离信息——两个股票可能排名差1位，但实际因子值差很远。
3.2 多因子合成：如何把多个因子暴露合并成一个综合得分
实际策略很少只用单一因子。我们通常会选3-5个因子，比如价值、质量、低波、动量。那问题来了：怎么把多个因子暴露合成一个综合得分？
这里我见过三种做法：
- 等权合成：每个因子暴露直接取平均。简单粗暴，但有效。
- IC加权：根据每个因子历史IC（信息系数）的大小来赋权。IC高的因子权重更大。
- 优化加权：用优化器求解，使得合成后的因子暴露与目标因子（比如未来收益）相关性最大。
嗯，这里要注意：等权合成虽然简单，但往往最稳健。我做过回测对比，IC加权在样本外经常失效，因为因子的IC会随时间变化。优化加权更是容易过拟合。
所以我的建议是：先用等权合成跑起来，等你有足够长的样本外数据，再考虑动态调整。
3.3 基于因子得分的加权方法：三种主流方案
拿到综合因子得分后，下一步就是确定每只股票的权重。这里我重点讲三种方法：等权、市值加权、因子倾斜加权。
3.3.1 等权加权
最简单的方法：选入组合的股票，每只分配相同的权重。
权重_i = 1 / N其中N是组合中股票的数量。
优点：完全避免了对权重的任何主观判断，分散化效果最好。你想想看，如果你选股能力很强，等权能让每只股票都平等地贡献收益。
缺点：没有利用因子暴露的强度信息。高分股票和低分股票权重一样，这其实浪费了信息。
3.3.2 市值加权
按股票的流通市值分配权重。市值大的股票权重高，市值小的权重低。
权重_i = 市值_i / 总市值优点：容量大，流动性好，交易成本低。大机构用这种方法最合适。
缺点：因子暴露被稀释了。你想想看，如果一只高分股票市值很小，它在组合里的权重就微乎其微，因子暴露几乎没起作用。说白了，市值加权会让组合偏向大盘股，偏离因子暴露的初衷。
我个人很少用纯市值加权做Smart Beta。除非是超大资金体量，不得不考虑流动性。
3.3.3 因子倾斜加权（我最推荐的方法）
这是Smart Beta的精髓。权重不仅取决于市值，还取决于因子得分。具体公式：
权重_i = (市值_i × 因子得分_i^γ) / Σ(市值_j × 因子得分_j^γ)其中γ是倾斜系数，控制因子暴露的强度。γ=0时退化为市值加权，γ越大，因子得分高的股票权重越大。
为什么我喜欢这个方法？因为它提供了一个可调节的杠杆。你可以通过调整γ，在因子暴露和组合容量之间找到平衡。
3.4 三种加权方法的对比
| 维度 | 等权加权 | 市值加权 | 因子倾斜加权 |
|---|---|---|---|
| 因子暴露强度 | 中等 | 低 | 高（可调节） |
| 组合容量 | 低 | 高 | 中等 |
| 交易成本 | 高 | 低 | 中等 |
| 分散化程度 | 最高 | 最低 | 中等 |
| 适合资金规模 | 小 | 大 | 中 |
3.5 核心逻辑流程图
下面这张图，把从因子暴露计算到组合构建的完整流程串起来了。我建议你多看几遍，理解每一步的输入和输出。
3.6 一个完整的计算示例
假设我们有5只股票，价值因子得分（Z-Score）如下：
| 股票 | 市值（亿） | 价值因子Z-Score | 等权权重 | 市值加权权重 | 因子倾斜权重（γ=1） |
|---|---|---|---|---|---|
| A | 100 | 1.5 | 20% | 33.3% | 41.7% |
| B | 80 | 0.5 | 20% | 26.7% | 22.2% |
| C | 60 | -0.5 | 20% | 20.0% | 16.7% |
| D | 40 | -1.0 | 20% | 13.3% | 11.1% |
| E | 20 | -1.5 | 20% | 6.7% | 8.3% |
你看，等权加权下，高分股票A和低分股票E权重一样，这显然不合理。市值加权下，A的权重虽然高，但主要是因为市值大，而不是因子得分高。而因子倾斜加权，A的权重达到41.7%，E只有8.3%，真正实现了“优股重配”。
好了，这一节的内容就到这。因子暴露计算和加权方法，是Smart Beta策略的地基。地基打不好，后面再漂亮的回测曲线都是空中楼阁。希望你能动手算一算，把表格里的数字自己推导一遍，感受一下不同加权方法的差异。