第一章：因子投资导论

什么是因子？

因子这东西，说白了就是「能解释股票涨跌的共同特征」。

我刚开始做量化那会儿，总觉得因子很玄乎。后来发现，它其实就是我们平时说的「选股逻辑」——只不过用数学语言包装了一下。

举个例子：你买股票是不是会看「市盈率低」？这就是一个因子。你选「最近涨得好的」？这也是一个因子，叫动量因子。

因子的核心定义其实很简单：

• 系统性：能解释一大片股票的收益，不是个别现象
• 持续性：过去有效，未来大概率也有效
• 可解释性：背后得有经济逻辑，不能是纯统计巧合

你想想看，如果一只股票涨了，你总得有个理由吧？因子就是那个「理由」的数学化表达。

因子投资的历史与演变

因子投资不是新鲜事。它的历史，其实比大多数人想象的要长得多。

第一阶段：直觉时代（1930s-1960s）

本杰明·格雷厄姆那会儿就在用「低市盈率」选股了。那时候没有计算机，全靠手工算。我读过他的《证券分析》，里面那些表格，全是手算的——想想就头大。

第二阶段：学术奠基（1960s-1990s）

这阶段出了几个里程碑：

• 1964年：资本资产定价模型（CAPM），第一次用数学说「风险越高收益越高」
• 1976年：套利定价理论（APT），告诉大家「不止一个因子」
• 1993年：Fama-French三因子模型，市值和估值因子正式登上舞台

我记得第一次看Fama那篇论文时，心里想的是：「这不就是常识吗？小公司收益高，便宜股票收益高。」但人家用数据证明了，这就是学术的价值。

第三阶段：量化爆发（2000s-2010s）

计算机普及了，数据多了，因子开始「量产」。我2012年入行那会儿，光A股市场就有上千个因子在跑。那时候流行「因子挖掘」——拿历史数据一通跑，找出统计上显著的规律。

但这里有个坑：

第四阶段：智能融合（2010s至今）

现在大家都在做两件事：

• 用机器学习找非线性关系
• 用另类数据找信息优势

但核心逻辑没变——因子还是那个因子，只是工具升级了。

因子投资的哲学与核心逻辑

做因子投资这么多年，我总结了三句话：

1. 因子是风险的定价——你承担了某种风险，市场给你补偿
2. 因子是行为的偏差——投资者不理性，导致某些股票被错误定价
3. 因子是信息的载体——谁先掌握信息，谁就能赚钱

这三句话，对应了三种不同的投资哲学。

风险补偿派认为：小公司风险大，所以收益高。价值股经营困难，所以收益高。这是Fama的观点，很正统。

行为偏差派认为：投资者过度反应，导致动量效应。投资者过度悲观，导致价值股被低估。这是行为金融学的看法。

信息优势派认为：因子之所以有效，是因为它捕捉到了别人没看到的信息。比如，供应链数据能提前反映公司业绩。

我个人更偏向「三者兼有」——不同因子背后的逻辑不一样，不能一刀切。

因子投资的核心框架

下面这张图，是我自己总结的因子投资全流程。每次做新策略，我都会按这个框架走一遍：

这个框架我用了快十年了。每次做新策略，都从「因子生成」开始，到「实盘监控」结束，然后循环迭代。

嗯，这里要注意：很多人跳过「因子检验」直接上组合，这是最危险的做法。我见过一个团队，挖了500个因子，直接做多因子模型，结果实盘收益还不如沪深300——因为大部分因子都是噪音。

因子投资的常见误区

误区	真实情况	我的建议
因子越多越好	因子多了容易过拟合	控制在5-10个核心因子
回测好就能实盘	回测有幸存者偏差	做样本外测试
因子永远有效	因子会衰减甚至失效	定期监控，动态调整
复杂模型更好	简单模型往往更稳健	从线性模型开始

我曾经犯过「因子越多越好」的错。2015年那会儿，我搞了个50因子的模型，回测曲线漂亮得不行。结果2016年一实盘，连续三个月跑输基准。后来砍到8个因子，反而稳了。

说白了，因子投资的核心不是「找到多少因子」，而是「理解你用的每一个因子」。

好了，因子投资的底层逻辑就聊到这儿。记住一句话：因子不是魔法，是逻辑加数据的产物。你理解了它背后的故事，才能真正用好它。