2、因子分类体系：基本面因子、技术面因子、另类因子、高频因子、复合因子

做量化这几年，我最大的体会就是：因子分类搞不清楚，后面全是糊涂账。

很多人一上来就堆因子，什么PE、动量、舆情全塞进去。结果回测曲线漂亮，实盘一跑就崩。为什么？说白了，你连这些因子到底在赚什么钱都没想明白。

我个人习惯，先把因子分门别类。就像整理工具箱——螺丝刀、扳手、电钻，各有各的用处。混在一起用，迟早出事。

2.1 基本面因子

这类因子，说白了就是看公司「家底」。

估值、盈利、成长、质量……这些都是基本面因子的老面孔。我刚开始做量化时，觉得基本面因子太「慢」了。直到有一次，我用纯技术因子跑了一个策略，遇到市场风格切换，直接回撤30%。

嗯，从那以后，我再也不敢轻视基本面因子了。

常见的基本面因子包括：

• 估值类：PE、PB、PS、PCF。注意，不同行业估值中枢差异巨大，我建议做行业中性化处理。
• 盈利类：ROE、ROA、毛利率、净利率。ROE是我个人最看重的指标之一，它反映了公司的「造血能力」。
• 成长类：营收增速、利润增速、超预期因子。这里有个坑——高增长不等于好因子，市场往往已经price in了。
• 质量类：资产负债率、现金流质量、应计利润。我曾经踩过一个雷：一家公司ROE很高，但全是应收账款，最后暴雷了。

2.2 技术面因子

技术面因子，说白了就是看「市场行为」。

价格、成交量、波动率、资金流……这些因子反应快，适合做短期交易。但问题也很明显——噪音大，容易过拟合。

常见的技术面因子：

• 动量因子：过去N日收益率。注意，A股市场短期动量（1-3个月）往往反转，长期动量（6-12个月）才有效。
• 反转因子：过去N日跌幅最大的股票。我做过一个统计，A股5日反转因子的IC均值在-0.03左右，说明短期超跌反弹确实存在。
• 波动率因子：历史波动率、已实现波动率。低波动率股票长期跑赢高波动率股票，这是全球市场的普遍现象。
• 资金流因子：主力净流入、大单占比。这个因子我提醒一句：数据质量参差不齐，不同数据商的统计口径可能完全不同。

2.3 另类因子

另类因子，说白了就是「非传统数据」。

舆情、新闻、供应链、卫星图像、电商数据……这些因子越来越火。为什么？因为传统因子已经太拥挤了，超额收益越来越薄。

常见的另类因子：

• 舆情因子：新闻情感、社交媒体热度。注意，情感分析的质量取决于NLP模型。我用过BERT和传统词典法，效果差距很大。
• 供应链因子：上下游关系、客户集中度。我记得有个案例：某苹果供应链公司，只要苹果财报不及预期，它第二天必跌。
• 招聘因子：招聘岗位数量、薪资水平。这个因子在科技行业特别有效，招聘扩张往往预示着未来业绩增长。
• 专利因子：专利数量、专利质量、专利引用。我建议关注「发明专利」而非「实用新型」，含金量完全不同。

2.4 高频因子

高频因子，说白了就是「毫秒级决策」。

订单簿、逐笔成交、Level-2数据……这些因子对硬件和算法要求极高。我个人觉得，高频因子不适合大多数个人投资者，因为竞争太激烈了。

常见的高频因子：

• 订单簿不平衡：买卖挂单量的差值。这个因子在股指期货上特别有效，预测未来1-2秒的价格走势。
• 成交量分布：大单成交占比、主动买/卖比例。注意，大单的定义需要动态调整，不同股票流动性不同。
• 微观结构因子：买卖价差、市场深度、价格冲击成本。这些因子更多用于「交易执行」而非「信号生成」。

2.5 复合因子

复合因子，说白了就是「把多个因子揉在一起」。

为什么要做复合？因为单一因子总有失效的时候。你想想看，如果只靠一个PE因子，遇到2015年牛市，你早就被甩下车了。

常见的复合方法：

• 等权复合：最简单，但效果往往不错。我做过测试，等权复合5个低相关因子，夏普比率能提升30%以上。
• IC加权复合：根据因子历史IC进行加权。注意，IC会随时间变化，我建议用滚动窗口计算。
• 机器学习复合：用XGBoost、神经网络等模型做非线性组合。这个方法效果好，但容易过拟合。我一般会做严格的交叉验证。

2.6 因子分类体系总览

下面这张图，是我自己整理的因子分类体系。你一看就明白了。

这张图的核心逻辑是：先分类，再复合。每一类因子都有其独特的收益来源和风险特征。你只有理解了它们，才能做出真正稳健的复合因子。

---