1. 因子投资导论：什么是因子投资、因子投资的历史与流派、课程概览与学习路径
1.1 因子投资到底是什么？
先问大家一个问题：你买股票时，靠什么做决策？
看K线图？听消息？还是看公司财报？
说实话，我刚入行那会儿，也是各种方法都试过。直到后来接触了因子投资，才真正理解了什么叫「用数据说话」。
因子投资，说白了就是找规律。它把影响股票收益的因素拆解成一个个可量化的「因子」。比如：
- 价值因子：便宜的股票是不是更容易涨？
- 动量因子：过去涨得好的股票，未来还会继续涨吗？
- 质量因子：盈利能力强的公司，股价表现更好吗？
每个因子就像一把尺子。我们用这把尺子去量每一只股票，然后选出综合得分最高的那些。
核心思想：因子投资不是预测股价，而是寻找具有某种共同特征的股票组合，期望这些特征能带来超额收益。
1.2 因子投资的历史与流派
因子投资不是凭空冒出来的。它的发展历程，我简单梳理一下：
1.2.1 萌芽期：CAPM 时代
1960年代，夏普提出了资本资产定价模型（CAPM）。那时候大家觉得，股票的收益只跟市场风险有关。说白了就是：大盘涨你就涨，大盘跌你就跌。
但很快人们发现，这个模型解释不了很多现象。比如，为什么小盘股长期跑赢大盘股？
1.2.2 爆发期：Fama-French 三因子模型
1993年，Fama 和 French 提出了著名的三因子模型。他们在市场因子的基础上，加入了：
- 规模因子（SMB）：小市值股票 vs 大市值股票
- 价值因子（HML）：高账面市值比 vs 低账面市值比
这个模型一出，整个量化界都沸腾了。我记得当时读这篇论文时，心里只有一个想法：原来投资可以这么科学！
1.2.3 多元化：因子动物园
后来，越来越多的因子被挖掘出来。动量、质量、低波、分红、成长……学术界管这叫「因子动物园」。
但这里有个坑——因子冗余。很多因子之间高度相关，你用了五个因子，其实效果跟用一个差不多。
我曾经踩过的坑：刚开始做多因子模型时，我一股脑塞了十几个因子进去。回测结果漂亮得不行，但实盘一跑就崩。后来才发现，很多因子都在讲同一个故事。
1.2.4 流派之争：学术派 vs 实战派
现在因子投资大致分两派：
| 流派 | 特点 | 代表 |
|---|---|---|
| 学术派 | 追求统计显著性，强调因子解释力 | Fama, French, Asness |
| 实战派 | 追求实盘收益，关注交易成本和容量 | 文艺复兴、Two Sigma |
我个人更偏向实战派。你想想看，一个因子在论文里再漂亮，如果实盘跑不动，那有什么用？
1.3 课程概览与学习路径
这门课一共30章，我把它分成四个模块：
模块一：基础搭建（第1-8章）
- 因子投资的核心概念
- 数据获取与清洗
- 因子计算与标准化
- 回测框架搭建
模块二：因子分析（第9-16章）
- 因子IC分析
- 分组回测
- 因子相关性检验
- 因子拥挤度判断
模块三：组合优化（第17-24章）
- 多因子合成
- 风险模型
- 权重优化
- 交易成本控制
模块四：实战进阶（第25-30章）
- 机器学习因子挖掘
- 另类数据应用
- 实盘部署与监控
我的建议：如果你是新手，老老实实从模块一开始。别一上来就想搞机器学习，地基没打好，房子盖不高。
1.4 本章知识体系
下面这张图，是我自己画的因子投资知识框架。你可以把它当作整个课程的地图：
1.5 你需要准备什么？
学这门课，我建议你具备以下基础：
- Python 基础：至少会用 pandas、numpy
- 统计学常识：知道什么是均值、方差、相关系数
- 金融基础：了解股票、指数、收益率这些基本概念
如果你现在只会写点 Python 基础代码，也别慌。我会在课程里带着你一步步来。
一个小建议：准备一个 Jupyter Notebook，边学边敲代码。光看不练，等于白学。
1.6 写在最后
因子投资这条路，说难不难，说简单也不简单。我做了这么多年，最大的体会是：敬畏市场，尊重数据。
别想着靠一个因子就能发财。真正的盈利，来自于系统化的框架和持续迭代的能力。
好了，第一章就到这里。接下来，我们开始动手搭建第一个因子——价值因子。
公众号:蓝海资料掘金营，微信deep3321