一、因子初探：什么是多因子模型、因子与Alpha收益、因子分类
大家好，我是老张。今天咱们聊聊多因子模型最基础的东西。
说实话，很多新手一上来就问我：“张哥，多因子模型是不是就是找一堆指标，然后拼在一起？”
嗯，这么说也对，但太粗糙了。我做了这么多年量化，踩过的坑不少，今天就把这些经验掰开揉碎讲给你听。
1.1 多因子模型到底是什么？
多因子模型，说白了就是一套“选股公式”。
你想想看，我们买股票，总得有个理由吧？
有人看市盈率低，有人看营收增长快，有人看技术形态好。
多因子模型就是把所有这些“理由”量化成一个个因子，然后组合起来打分。
我习惯用这样一个公式来理解：
预期收益 = 因子1 × 权重1 + 因子2 × 权重2 + ... + 因子n × 权重n每个因子代表一种选股逻辑，权重代表这个逻辑有多重要。
核心要点：多因子模型不是简单堆砌指标，而是寻找能够稳定预测未来收益的“信号组合”。
我在项目中遇到过最典型的例子：
2018年有个团队，把200多个因子塞进模型，结果回测曲线漂亮得不行。
但实盘一跑，直接崩了。为什么？
因为很多因子是“伪相关”，纯粹是数据挖掘出来的噪音。
1.2 因子与Alpha收益
Alpha收益，这个词听起来高大上，其实很简单。
你买一只股票，赚的钱可以拆成两部分：
- Beta收益：大盘涨你也涨，这是市场给的“平均分”
- Alpha收益：你选的股票比大盘涨得多，这是你的“超额分”
因子就是用来捕捉Alpha收益的工具。
举个例子：
2020年我做过一个低波动率因子策略。
大盘涨了20%，我的策略涨了35%。
那多出来的15%，就是因子贡献的Alpha。
我的经验：真正好的因子，应该在不同市场环境下都能贡献稳定的Alpha。我曾经见过一个因子，牛市中表现极好，但熊市中亏得比谁都惨——这种因子我一般直接扔掉。
为什么会这样？
因为因子收益的来源不同。有些因子赚的是“风险溢价”，比如小市值因子，本质上是在承担小盘股的流动性风险；
有些因子赚的是“行为偏差”，比如反转因子，利用的是散户追涨杀跌的非理性行为。
1.3 因子分类：基本面、技术面、另类数据
我习惯把因子分成三大类。这三类各有各的脾气，用好了是利器，用不好就是坑。
1.3.1 基本面因子
这类因子来自公司的财务报表和经营数据。
| 因子名称 | 计算方式 | 逻辑 |
|---|---|---|
| 市盈率倒数（EP） | 净利润 / 总市值 | 估值越低，潜在回报越高 |
| 净资产收益率（ROE） | 净利润 / 净资产 | 盈利能力强的公司更值得持有 |
| 营收增长率 | （本期营收 - 上期营收）/ 上期营收 | 成长性好的公司更容易获得市场青睐 |
我记得刚入行时，特别喜欢用市盈率因子。
觉得市盈率低的股票就是便宜货。
结果呢？2015年那波牛市，市盈率低的银行股涨得最慢，反而是市盈率高的科技股飞上天。
嗯，这里要注意：基本面因子有很强的“行业属性”，不能一刀切。
1.3.2 技术面因子
这类因子来自价格和成交量数据。
- 动量因子：过去3-12个月涨幅大的股票，未来1-3个月往往继续涨
- 反转因子：过去1个月内跌幅大的股票，未来几天可能反弹
- 成交量因子：放量上涨的股票，趋势更可靠
我曾经犯过一个错误：
把动量因子和反转因子同时放进模型，权重还都给得差不多。
结果两个因子互相抵消，模型几乎没效果。
后来我才明白，这两个因子是“冤家”——一个追趋势，一个抓反转，时间窗口完全不同。
避坑指南：技术面因子对参数非常敏感。我曾经把动量因子的回看窗口从3个月改成6个月，策略收益直接从年化25%掉到8%。所以，参数优化一定要做稳健性检验。
1.3.3 另类数据因子
这类因子来自非传统数据源，最近几年特别火。
我举几个例子：
- 舆情因子：爬取财经新闻、社交媒体上的情绪得分
- 供应链因子：分析上下游企业的订单数据
- 卫星图像因子：通过卫星照片监测停车场车流量、工厂开工率
说实话，另类数据的水很深。
我2019年试过一个舆情因子，用NLP分析股吧帖子。
回测效果不错，但实盘时发现一个问题：
数据源不稳定，有时候爬虫被封，有时候API接口变更。
而且，另类数据的处理成本很高，小团队很难玩转。
但如果你能搞定数据源，另类因子的Alpha收益往往比传统因子更高。
因为用的人少，市场还没充分定价。
1.4 知识体系总览
下面这张图，是我自己总结的多因子模型知识框架。你可以把它当作一张“地图”，后面每讲一个知识点，都能在这张图上找到位置。
这张图你看懂了吗？
从中心向外扩散，多因子模型的核心就是：定义因子 → 提取Alpha → 分类管理。
我个人习惯把因子分类当作“选股工具箱”。
基本面因子是“慢刀”，适合长期持有；
技术面因子是“快剑”，适合波段操作；
另类数据因子是“暗器”，用好了能出奇制胜。
一个小建议：刚开始做多因子模型，别贪多。先把基本面因子搞透，再慢慢加技术面和另类数据。我见过太多人一上来就搞几十个因子，结果模型过拟合得一塌糊涂。
好了，这一章就聊到这儿。
因子是量化策略的“砖瓦”，砖瓦选不好，房子盖得再高也得塌。
下一章，咱们聊聊怎么给这些因子分配权重——这才是真正考验功夫的地方。
公众号:蓝海数据掘金营，微信deep3321