第2章因子体系构建

2. 因子体系构建：常见因子分类与计算逻辑

做量化这几年，我最大的体会就是：因子体系就像盖房子的地基。地基没打好，后面再漂亮的策略也是空中楼阁。今天咱们就来聊聊这个地基怎么搭。

2.1 因子分类：四大主流门派

市场上因子成百上千，但说白了，大部分都能归到这几类里。我个人习惯把它们分成四大类：动量、价值、质量、波动率。你想想看，这四类基本覆盖了股票收益的绝大部分来源。

因子类别	核心逻辑	典型指标	适用场景
动量因子	强者恒强，弱者恒弱	过去N个月收益率	趋势行情
价值因子	便宜才是硬道理	PE、PB、PS	估值修复行情
质量因子	好公司才能走得远	ROE、毛利率、负债率	熊市防御
波动率因子	低波动≠低收益	历史波动率、最大回撤	震荡市

2.2 动量因子：趋势是你的朋友

动量因子是我最早接触的因子之一。它的逻辑很简单：过去涨得好的股票，未来一段时间大概率还会继续涨。嗯，这里要注意，动量因子在A股的有效期通常偏短，3-6个月的效果最好。

定义与计算逻辑：

价格动量：过去N日的累计收益率。比如过去60个交易日的涨幅。
成交量动量：过去N日的平均成交量变化率。量在价先，这个我深有体会。
标准化动量：用收益率除以波动率，剔除噪音干扰。

核心公式：

# 价格动量计算
price_momentum = (close_price[-1] / close_price[-N-1]) - 1

# 标准化动量
std_momentum = price_momentum / rolling_std(returns, window=N)

我的经验： 我在项目中遇到过动量因子在急涨急跌行情下频繁失效的情况。后来我加了一个过滤条件——只在大盘趋势向上的时候启用动量因子，效果好了不少。

2.3 价值因子：便宜没好货？不一定

价值因子是经典中的经典。说白了就是找那些被市场低估的股票。但这里有个坑——便宜不一定有价值，可能是真烂。

常见指标：

市盈率（PE）：股价/每股收益。PE越低越便宜，但要小心亏损股。
市净率（PB）：股价/每股净资产。适合银行、地产等重资产行业。
市销率（PS）：股价/每股销售额。适合成长型公司，尤其是还没盈利的。
股息率：每股分红/股价。稳定分红的公司通常质地不错。

避坑指南： 我曾经用PE选股，结果选到了一堆周期股的高点。后来才明白，PE要在行业内部对比，跨行业比PE基本没意义。你想想看，银行股PE常年个位数，科技股PE动辄几十倍，能放一起比吗？

2.4 质量因子：好公司自带光环

质量因子关注的是公司基本面。我个人的经验是，质量因子在熊市里特别管用。市场不好的时候，资金会往好公司里扎堆。

核心指标：

ROE（净资产收益率）：净利润/净资产。连续3年ROE>15%的公司，基本不会太差。
毛利率：（收入-成本）/收入。毛利率高的公司有定价权。
资产负债率：总负债/总资产。负债率太高，风险就大。
现金流质量：经营活动现金流/净利润。这个指标能看出利润是不是真金白银。

质量因子综合打分示例：

# 质量因子打分
def quality_score(df):
    score = 0
    # ROE打分
    if df['ROE'] > 0.15:
        score += 1
    # 毛利率打分
    if df['gross_margin'] > 0.4:
        score += 1
    # 负债率打分
    if df['debt_ratio'] < 0.5:
        score += 1
    # 现金流打分
    if df['cashflow_ratio'] > 0.8:
        score += 1
    return score

2.5 波动率因子：低波动≠低收益

这个因子很有意思。很多人觉得波动大的股票收益高，但实际数据告诉我们——低波动率的股票长期收益反而更好。为什么会这样？因为低波动股票往往被低估，而且持有体验好，拿得住。

计算方式：

历史波动率：过去N日收益率的标准差。N通常取20或60。
最大回撤：从最高点到最低点的最大跌幅。这个指标能看出风险有多大。
贝塔系数：股票与大盘的相关性。贝塔>1说明波动比大盘大。

我的小技巧： 我习惯把波动率因子和其他因子组合使用。比如低波动+高质量，或者低波动+高股息。这种组合在震荡市里特别稳。

2.6 因子体系结构图

下面这张图是我自己整理的因子体系框架。你可以看到，四大因子下面还有细分，而且它们之间会有交叉。比如高质量+低波动的组合，就是经典的防御型策略。

2.7 因子计算的注意事项

最后聊几个实战中容易踩的坑。嗯，这些可都是真金白银换来的教训。

避坑指南：

数据对齐：计算因子时一定要用前复权价格。我曾经用后复权算动量，结果全是错的。
极端值处理：因子数据里经常有异常值。我习惯用MAD（中位数绝对偏差）来剔除，比用标准差更稳健。
行业中性化：不同行业的因子分布差异很大。做多因子模型时，一定要做行业中性化处理。
频率匹配：日频因子配日频收益，周频因子配周频收益。混着用会出问题。

我的习惯： 每次构建新因子，我都会先跑一遍回测，看看因子IC（信息系数）的稳定性。IC均值低于0.02的因子，我基本不会用。你想想看，一个因子连预测能力都没有，用它干嘛？

好了，因子体系这块就聊到这儿。记住，因子不是越多越好，关键是理解每个因子背后的逻辑。下一章咱们聊聊怎么把这些因子组合起来，构建真正的多因子模型。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

2. 因子体系构建：常见因子分类与计算逻辑

2.1 因子分类：四大主流门派

2.2 动量因子：趋势是你的朋友

2.3 价值因子：便宜没好货？不一定

2.4 质量因子：好公司自带光环

2.5 波动率因子：低波动≠低收益

2.6 因子体系结构图

2.7 因子计算的注意事项