1. 因子投资与行业轮动概述：定义、发展历史、核心逻辑与实战价值

1.1 到底什么是因子投资？

因子投资，说白了就是找规律。

你想想看，股票涨跌背后有没有共性？有的股票涨是因为业绩好，有的因为估值低，有的因为动量强。这些「共性原因」就是因子。我个人习惯把因子理解成「股票的基因」——每只股票都携带多种基因，而因子投资就是找出那些能持续带来超额收益的基因组合。

举个例子。我早期做量化时，发现一个简单规律：过去一个月涨得好的股票，下个月往往还能继续涨。这就是动量因子。后来我又发现，估值低的股票长期跑赢估值高的，这是价值因子。把这些因子组合起来，就是因子投资的核心。

1.2 行业轮动又是什么？

行业轮动，就是资金在不同行业之间「搬家」。

经济好的时候，资金往周期行业跑——钢铁、煤炭、有色。经济差的时候，资金躲进防御行业——医药、消费、公用事业。这个现象我入行第一年就注意到了。当时我还在用Excel手动拉数据，发现每次PMI数据发布后，行业涨跌顺序几乎像教科书一样标准。

为什么会这样？因为不同行业对宏观经济的敏感度不同。你想想看，经济复苏时，大家先买什么？先买汽车、家电这些可选消费。等经济过热了，资金才会去追资源品。这就是行业轮动的底层逻辑。

1.3 因子投资的发展历史——从学术到实战

因子投资不是新鲜事。它的历史可以分成三个阶段：

阶段	时间	代表人物/事件	核心贡献
萌芽期	1960s-1980s	Sharpe、Lintner	CAPM模型，提出市场因子
发展期	1990s-2000s	Fama-French	三因子模型（规模、价值、市场）
成熟期	2010s至今	量化基金、Smart Beta	多因子组合、行业因子、机器学习因子

我记得刚入行时，前辈们还在争论「因子到底有没有用」。那时候Fama-French的三因子模型刚被国内接受。现在呢？因子投资已经是量化机构的标配了。嗯，时代变化真快。

1.4 核心逻辑：因子 + 行业 = 轮动策略

把因子投资和行业轮动结合起来，逻辑其实很简单：

1. 选因子：找出能预测行业收益的因子（比如动量、估值、盈利质量）
2. 打分：用这些因子给每个行业打分
3. 排序：按分数高低排序，买入高分行业，卖出低分行业
4. 调仓：定期重新打分、重新排序

我做过一个回测，用动量因子做行业轮动。每个月末计算各行业过去3个月的涨幅，买入前5个行业，卖出后5个行业。年化超额收益大概在8%左右。当然，这是理想情况，实盘会有摩擦成本。

1.5 实战价值：为什么值得做？

因子投资在行业轮动中的价值，我总结为三点：

• 系统化：不再凭感觉选行业，而是用数据说话
• 可复制：策略逻辑清晰，可以回测、可以优化
• 可解释：赚了亏了都知道原因，不是黑箱操作

你想想看，传统的基本面分析，研究员说「我看好新能源」，你问为什么，他说「因为政策支持、技术突破」。听起来有道理，但你怎么验证？因子投资不一样。你说「我买入低估值行业」，我可以回测过去10年，低估值行业是不是真的跑赢了高估值行业。这就是系统化的力量。

1.6 知识体系框架

下面这张图是我自己梳理的本章知识结构，方便你建立整体认知：

1.7 一个简单的代码示例

最后，给你看一段我早期写的代码。虽然简陋，但能说明因子投资在行业轮动中的基本思路：

import pandas as pd
import numpy as np

# 模拟行业收益率数据
np.random.seed(42)
industries = ['银行', '地产', '医药', '消费', '科技', '能源']
dates = pd.date_range('2020-01-01', periods=12, freq='M')

# 生成模拟数据
data = pd.DataFrame(
    np.random.randn(12, 6) * 0.05 + 0.01,
    index=dates,
    columns=industries
)

# 计算动量因子（过去3个月收益率）
momentum = data.rolling(3).mean()

# 每月末选前2个行业
def select_top_industries(row, n=2):
    return row.nlargest(n).index.tolist()

selected = momentum.apply(select_top_industries, axis=1, n=2)
print("每月选中的行业：")
print(selected)

这段代码虽然简单，但核心思想已经体现出来了：用因子（动量）给行业排序，然后选排名靠前的行业。当然，实战中要考虑的东西多得多——因子组合、风险控制、交易成本等等。这些我们后面会慢慢展开。