一、因子投资基础：什么是因子、因子溢价来源、因子投资组合构建逻辑

各位同学，咱们今天聊点实在的。

因子投资，说白了就是找规律。你想想看，市场上几千只股票，为什么有的涨有的跌？背后肯定有某种力量在驱动。这种力量，就是因子。

1.1 什么是因子？

因子，是能解释股票收益的共同特征。我习惯把它理解成「股票的基因」。

举个例子：

• 价值因子：低市盈率的股票，长期跑赢高市盈率的
• 动量因子：过去涨得好的股票，未来一段时间还会涨
• 规模因子：小市值公司，长期收益高于大市值公司
• 质量因子：高ROE、低负债的公司，表现更稳健

每个因子就像一把尺子，量出股票的某种特质。我个人做策略时，至少会看3-5个因子，单一因子太容易翻车了。

1.2 因子溢价从哪来？

这个问题我当年也困惑过。为什么小市值公司长期收益更高？为什么便宜的公司反而赚更多？

学术界主要有两派解释：

解释流派	核心观点	我的理解
风险补偿说	因子溢价是对承担额外风险的补偿	小公司波动大，流动性差，溢价是合理的
行为偏差说	投资者系统性犯错，因子溢价是纠偏	大家都追热门股，冷门股反而被低估

我个人更倾向于两者兼有。举个例子，价值因子——便宜的公司往往被市场抛弃，这里面既有风险因素（公司确实可能出问题），也有行为因素（大家过度悲观了）。

1.3 因子投资组合构建逻辑

好，理论说完了，咱们上点干货。因子投资组合怎么搭？我一般分四步走：

1. 因子定义：把因子量化成可计算的指标
2. 股票打分：每只股票在每个因子上打分
3. 组合构建：选得分高的股票，配权重
4. 再平衡：定期调整，保持因子暴露

下面我写一段Python代码，演示最简单的多因子打分流程：

import pandas as pd
import numpy as np

# 模拟数据：10只股票，3个因子
df = pd.DataFrame({
    'stock': ['A','B','C','D','E','F','G','H','I','J'],
    'pe_ratio': [8, 15, 22, 10, 30, 12, 18, 25, 9, 20],
    'momentum': [0.15, 0.08, -0.05, 0.12, 0.02, 0.18, 0.06, -0.02, 0.10, 0.04],
    'size': [50, 200, 500, 80, 1000, 30, 150, 800, 60, 300]  # 市值(亿)
})

# 因子标准化（Z-score）
def zscore(series):
    return (series - series.mean()) / series.std()

# 注意：PE是反向因子，越低越好
df['pe_z'] = -zscore(df['pe_ratio'])  # 加负号
df['mom_z'] = zscore(df['momentum'])
df['size_z'] = -zscore(df['size'])    # 小市值加分

# 等权合成综合得分
df['total_score'] = (df['pe_z'] + df['mom_z'] + df['size_z']) / 3

# 选前30%的股票
top_n = int(len(df) * 0.3)
selected = df.nlargest(top_n, 'total_score')

print("选中的股票：")
print(selected[['stock', 'total_score']])

这段代码很基础，但核心逻辑都在了。你想想看，实际做的时候，因子数量会更多，权重也不是简单的等权，但骨架就是这个。

1.4 本章知识体系

下面这张图，是我自己梳理的因子投资基础框架，你看一眼就能明白整体脉络：

这张图把本章的核心逻辑串起来了。从因子定义出发，理解溢价来源，最后落到组合构建。每一步都有坑，后面章节我会一个一个拆开讲。

嗯，第一章就到这里。因子投资的门槛不高，但要做好，需要大量实践。代码可以复制，但经验得自己攒。

---

公众号:蓝海资料掘金营，微信deep3321