第一章：因子投资概述
什么是因子？
因子，说白了就是能解释股票收益的共同特征。我刚开始接触这个领域时，觉得这概念挺玄乎的。后来做了几年实盘，才真正理解——因子就是市场里那些「反复出现的赚钱逻辑」。
举个例子。你发现小市值的公司长期跑赢大市值的，这就是一个因子。你发现低市盈率的股票比高市盈率的稳，这也是一个因子。因子投资的核心，就是把这些规律系统化、可量化。
因子的三个基本特征：
- 可解释性：背后得有经济逻辑支撑。不能光靠数据挖掘
- 持续性：过去有效，未来大概率也有效
- 可投资性：能真正构建成投资组合，交易成本可控
我在项目中遇到过最坑的事，就是有人拿几千个技术指标回测，发现某个「神奇指标」年化收益50%。结果实盘一跑，手续费就把收益吃光了。嗯，这就是典型的「可投资性」没通过。
因子投资的历史与流派
因子投资不是新鲜事。上世纪70年代，学术圈就开始琢磨这事了。
几个关键节点：
- CAPM时代：夏普说，收益只跟市场风险有关。一个因子就够了
- Fama-French三因子：1992年，Fama和French甩出市值因子和价值因子。市场炸了
- 多因子百花齐放：动量、质量、低波……因子越来越多
我个人习惯把因子投资流派分成两派：
| 流派 | 核心理念 | 代表人物 |
|---|---|---|
| 学术派 | 从经济学理论出发，找有逻辑支撑的因子 | Fama, French |
| 量化派 | 数据驱动，用统计方法挖掘有效因子 | 各种对冲基金 |
你想想看，学术派像造房子先打地基，量化派像先搭个帐篷住进去再说。没有谁对谁错，关键看你的资金体量和风险偏好。
Alpha与Beta的分离
这个概念太重要了。我花了好几年才真正搞明白。
Beta，就是市场给你的钱。大盘涨你也涨，大盘跌你也跌。说白了就是「随大流」的那部分收益。
Alpha，是你自己本事赚的钱。市场跌了你的组合还涨，这就是Alpha。
因子投资的核心目标，就是把这两部分拆开。你想想看，如果你能识别出哪些收益来自市场Beta，哪些来自因子暴露，哪些是真正的Alpha——那你就掌握了定价权。
我的经验：很多新手一上来就追求高Alpha，结果发现回撤起来比市场还猛。我建议先管好Beta，再谈Alpha。Beta是地基，Alpha是装修。地基不稳，装修再好也白搭。
机器学习在因子挖掘中的角色
说到这个我就来劲了。传统因子挖掘，基本靠人脑想。什么市盈率、市净率、动量……翻来覆去就那几十个。
机器学习来了之后，玩法完全变了。
它能做三件事：
- 自动发现非线性关系：比如营收增长率和股价的关系，可能不是线性的。树模型能抓到这些
- 处理高维数据：几百个备选因子，传统方法搞不定。机器学习可以
- 组合优化：找到因子之间的最佳权重，而不是简单等权
我曾经用XGBoost挖到一个因子，回测效果惊人。后来仔细一看，发现它本质上就是「过去5天涨幅的某种非线性变换」。嗯，说白了就是动量因子的变种。但机器学习帮我找到了更好的表达方式。
避坑指南：机器学习挖因子最大的坑是过拟合。我曾经用神经网络挖出过「完美」的因子——训练集年化收益200%，测试集直接亏成狗。后来学乖了，一定要做样本外测试，而且要多做几轮。
本章知识体系
下面这张图，是我自己梳理的因子投资知识框架。你把它存下来，后面每章都会用到。
这张图把本章的核心内容串起来了。你注意看，四个分支之间其实是有联系的。比如机器学习可以帮助我们更好地分离Alpha和Beta，而Alpha和Beta的分离又依赖于对因子本质的理解。
好了，第一章就到这里。记住一句话：因子投资不是玄学，是科学。后面我们会一步步把每个环节拆开，用代码实现，用数据验证。