1. 因子择时概述：什么是因子择时？
大家好，我是老蓝。今天咱们聊聊因子择时这个事儿。
说实话，我刚入行那会儿，也分不清因子择时和因子选股到底有啥区别。后来踩了不少坑，才慢慢摸清楚门道。今天就把这些经验掰开了揉碎了讲给你听。
1.1 什么是因子择时？
因子择时，说白了就是——判断哪个因子在当下最赚钱，然后重仓它。
你想想看，市场就像个轮盘，今天价值因子涨，明天动量因子跌。因子择时就是让你提前知道，下一轮该押注哪个方向。
举个例子：
- 2020年，成长因子表现特别好，你重仓成长股，赚得盆满钵满
- 2021年，价值因子突然崛起，你还抱着成长不放，结果回撤20%
因子择时要解决的，就是这种尴尬局面。
核心定义：因子择时是通过预测不同因子在未来一段时间的相对表现，动态调整因子暴露，从而获取超额收益的策略。
1.2 因子择时 vs 因子选股
这两个概念经常被混淆。我刚开始做策略时也犯过这个错——以为选好因子就万事大吉了。
其实它们完全是两码事：
| 维度 | 因子选股 | 因子择时 |
|---|---|---|
| 核心问题 | 选什么股票？ | 什么时候用哪个因子？ |
| 时间维度 | 横截面（同一时间点比较） | 时间序列（不同时间点比较） |
| 操作方式 | 多因子打分，选排名靠前的股票 | 动态调整因子权重 |
| 盈利来源 | 因子溢价（长期持有） | 因子轮动（择时切换） |
| 风险特征 | 相对稳定，回撤可控 | 波动大，但收益弹性高 |
我记得有个项目，团队用同样的因子库做回测。因子选股组年化收益12%，最大回撤8%；因子择时组年化收益22%，但最大回撤到了18%。你看，收益和风险是孪生兄弟。
我的经验：新手建议先从因子选股入手，等对因子特性熟悉了，再尝试因子择时。别一上来就玩高难度动作，容易闪了腰。
1.3 因子择时的核心逻辑
因子择时能赚钱，底层逻辑其实就三条：
- 因子存在周期性——没有哪个因子能永远跑赢市场
- 因子表现可预测——通过宏观指标、市场情绪等可以预判
- 因子切换有成本——但收益能覆盖成本
我画了张图，帮你理解这个逻辑链条：
1.4 盈利来源：因子择时到底赚谁的钱？
这个问题我问过很多同行，答案五花八门。我个人理解，因子择时的盈利来源主要有三个层次：
第一层：赚「市场错误定价」的钱
市场不是完全有效的。当某个因子被过度追捧时，价格会偏离价值。因子择时就是在泡沫破裂前离场，在低估时入场。
我曾经在2021年初观察到价值因子被严重低估，当时所有人都在追成长股。我顶着压力把仓位从成长切换到价值，结果下半年价值因子大涨30%。嗯，那次经历让我深刻理解了「别人恐惧我贪婪」。
第二层：赚「因子动量延续」的钱
因子表现有惯性。一个因子如果连续3个月跑赢，接下来1-2个月大概率还会延续。这就是因子动量效应。
避坑指南：因子动量不是永远有效。我曾经在2018年吃过亏——动量因子连续6个月跑赢，我追进去后第7个月突然反转，直接回撤15%。后来我加了「动量衰减」指标，当因子动量超过3个月时开始减仓。
第三层：赚「宏观环境切换」的钱
这是最稳定的盈利来源。不同宏观环境下，因子表现有明确规律：
- 经济扩张期：成长因子、动量因子占优
- 经济衰退期：质量因子、低波因子更抗跌
- 通胀上升期：价值因子、商品因子表现好
- 利率下降期：成长因子、久期因子受益
你想想看，这些规律背后都有经济学逻辑支撑，不是玄学。所以宏观驱动的因子择时，是我个人最信赖的方法。
1.5 一个简单的因子择时示例
光说不练假把式。我写个最简单的示例，帮你理解因子择时的代码实现：
# 伪代码：双因子择时策略
# 因子A：价值因子（PE倒数）
# 因子B：动量因子（过去12个月收益）
def factor_timing(market_data, macro_data):
# 1. 判断当前宏观环境
if macro_data['gdp_growth'] > 0 and macro_data['inflation'] < 0.03:
env = 'expansion' # 经济扩张
elif macro_data['gdp_growth'] < 0:
env = 'recession' # 经济衰退
else:
env = 'neutral'
# 2. 根据环境分配因子权重
if env == 'expansion':
weight_A = 0.3 # 价值因子
weight_B = 0.7 # 动量因子
elif env == 'recession':
weight_A = 0.6 # 价值因子（防御）
weight_B = 0.4 # 动量因子（可能失效）
else:
weight_A = 0.5
weight_B = 0.5
# 3. 计算组合因子得分
factor_score = (weight_A * factor_A_scores +
weight_B * factor_B_scores)
return factor_score这个例子虽然简单，但核心思想都在里面了。实际项目中，我会加入更多因子（5-8个），以及更复杂的宏观指标组合。
我的建议：刚开始做因子择时，别贪多。先选2-3个相关性低的因子，用1-2个宏观指标做信号。等跑通了，再慢慢加复杂度。我见过太多人一上来就搞10个因子、20个指标，结果过拟合得一塌糊涂。
1.6 本章小结
因子择时不是什么神秘的东西。它就是在正确的时间，用正确的因子，做正确的事。
记住三个核心点：
- 因子有周期，没有常胜将军
- 因子表现可预测，但需要找到对的指标
- 切换有成本，别频繁交易
下一章，我会带你深入因子择时的具体方法论，包括怎么选因子、怎么构建信号、怎么回测验证。咱们一步步来。
公众号:蓝海资料掘金营，微信deep3321