2. 因子分类体系：基本面因子、技术因子、另类因子、宏观因子的划分与特点

做多因子模型这些年，我最大的感触就是——因子分类搞不清楚，后面全是糊涂账。

你想想看，市面上有成百上千个因子，怎么管？怎么选？怎么组合？

我个人习惯，先把因子分成四大类：基本面因子、技术因子、另类因子、宏观因子。这四类各有各的脾气，也各有各的坑。

2.1 基本面因子：最老牌，也最稳

基本面因子，说白了就是看公司本身好不好。估值、盈利、成长、财务质量，这些都算。

我记得刚入行那会儿，带我的老工程师说了一句话，我一直记着：「基本面因子是慢变量，但也是长变量」。什么意思？就是它不会天天变，但一旦变了，影响是长期的。

这里有个坑，我踩过。基本面因子有个致命弱点——数据频率低。季报一出，数据才更新一次。你想想看，三个月才刷新一次，中间市场早就变了好几轮了。

所以我现在做基本面因子，一定会做一件事：做预期调整。用分析师一致预期替代历史数据，能提前1-2个月捕捉信号。

2.2 技术因子：短频快，但容易过拟合

技术因子，就是看价格和成交量。动量、反转、波动率、换手率，这些都属于技术因子。

这类因子有个特点：信号频率高。日线、分钟线，甚至tick级数据都能用。适合做短线策略。

但问题也很明显——过拟合风险极高。你随便调几个参数，就能在历史数据上跑出漂亮的曲线。但一到实盘，立马现原形。

举个例子，动量因子。很多人直接用过去N天的收益率。但N取多少？20天？60天？120天？

我建议你试试这个思路：不要只用一个窗口，用多窗口加权。

# 多窗口动量因子示例
def multi_window_momentum(close, windows=[5, 20, 60]):
    """
    多窗口动量因子
    windows: 短、中、长三个窗口
    返回：加权动量得分
    """
    import pandas as pd
    import numpy as np
    
    # 计算各窗口收益率
    rets = {}
    for w in windows:
        rets[f'mom_{w}d'] = close.pct_change(w)
    
    # 加权合成（短窗口权重低，长窗口权重高）
    weights = [0.2, 0.3, 0.5]
    mom_score = sum(rets[f'mom_{w}d'] * w for w, weight in zip(windows, weights))
    
    return mom_score

这样做的好处是：既保留了短期动量的敏感性，又兼顾了长期趋势的稳定性。我在实盘中用这个方法，夏普比率比单窗口提升了约0.3。

2.3 另类因子：信息差的最大来源

另类因子，是最近几年最火的方向。为什么？因为传统因子已经卷得差不多了，超额收益越来越薄。

另类数据包括：

• 舆情数据：新闻情感、社交媒体热度、股吧评论
• 供应链数据：上下游关系、供应商集中度
• 卫星数据：停车场车流量、工厂烟囱排放
• 支付数据：信用卡消费、电商交易
• 招聘数据：岗位数量、薪资变化

但另类因子也有个大问题——数据清洗成本极高。我做过一个舆情因子项目，光数据清洗就占了60%的时间。原始数据里全是噪声：广告、水军、重复内容……

做另类因子，我建议你记住一句话：数据质量 > 数据数量。宁可少用几个数据源，也要保证每个数据源的质量可控。

2.4 宏观因子：大方向对了，细节才重要

宏观因子，看的是整个经济环境。利率、汇率、通胀、GDP、PMI，这些都属于宏观因子。

这类因子有个特点：影响范围广，但信号频率低。一个月甚至一个季度才更新一次。

很多人觉得宏观因子没用，因为信号太慢了。但我不这么看。宏观因子决定了资产配置的大方向。你想想看，如果利率进入上升周期，成长股的压力就大；如果PMI持续扩张，周期股就有机会。

举个例子，利率因子怎么用？

# 利率因子对行业配置的影响
def rate_sensitivity_adjustment(rate_change, industry_betas):
    """
    根据利率变化调整行业权重
    rate_change: 利率变化（bp）
    industry_betas: 各行业对利率的敏感度
    """
    # 利率上升，降低高敏感度行业权重
    adjustment = -rate_change * industry_betas / 100
    # 归一化
    adjustment = adjustment / adjustment.sum()
    return adjustment

这里要注意：宏观因子不能单独用。它的信号太粗，必须结合其他因子一起用。我习惯把宏观因子作为条件变量，用来调整其他因子的权重。

2.5 四类因子的对比与协同

说了这么多，我们来总结一下这四类因子的特点：

因子类型	数据频率	信号周期	相关性	主要风险
基本面因子	低（季度）	长（3-12个月）	中等	数据滞后
技术因子	高（日/分钟）	短（1-60天）	低	过拟合
另类因子	中（日/周）	中（1-6个月）	极低	数据质量
宏观因子	低（月/季）	长（6-24个月）	高	信号粗糙

你看，这四类因子其实是互补的：

• 基本面因子提供长期价值锚
• 技术因子捕捉短期交易机会
• 另类因子提供信息差优势
• 宏观因子决定大方向

我个人习惯，一个完整的因子组合，至少包含这四类中的三类。只靠一类因子，很难持续跑赢市场。

嗯，因子分类这块，今天就聊到这儿。下一节我们聊聊因子数据的获取与清洗，那又是另一番天地了。

---