4. 经典风格因子（下）：动量因子、低波因子、质量因子
好，咱们接着聊风格因子。上一节我们把规模、价值、红利这几个“老牌”因子讲透了。这一节要聊的三个因子——动量、低波、质量——我个人觉得更有意思。为什么？因为它们背后藏着不少行为金融学的影子，说白了，就是市场参与者的“非理性”在作祟。
你想想看，如果市场完全有效，那股价应该随机游走，哪来的动量？如果投资者都理性，那低风险股票凭什么能获得超额收益？嗯，现实世界没那么简单。咱们一个一个拆解。
4.1 动量因子（Momentum）
动量因子，学术上叫“趋势因子”。它的逻辑很直白：过去涨得好的股票，未来一段时间还会继续涨；过去跌得惨的，未来还会继续跌。这就是所谓的“强者恒强，弱者恒弱”。
我在2015年那波牛市中做过一个动量策略，当时回测曲线漂亮得不像话。但2016年初的熔断，直接把动量因子打得鼻青脸肿。为什么？因为动量因子最怕的就是“反转”——市场风格突然切换，前期涨得猛的股票瞬间被抛弃。
核心逻辑： 买入过去N个月（通常12个月，剔除最近1个月）涨幅最高的前30%股票，卖出涨幅最低的后30%股票。
构建动量因子时，有个细节很多人会忽略：要剔除最近一个月的数据。为什么？因为A股市场存在明显的“短期反转效应”——最近一个月涨得好的股票，下个月反而容易跌。这是我在实盘中踩过的坑，当时没剔除近一个月数据，结果因子IC（信息系数）直接变成负的。
动量因子的计算公式很简单：
# 动量因子：过去12个月收益率，剔除最近1个月
def momentum_factor(price_df, lookback=12, skip=1):
# price_df: 日频价格数据，列为股票代码，行为日期
# 计算过去12个月（约252个交易日）的累计收益率
ret_12m = price_df.pct_change(252)
# 剔除最近1个月（约21个交易日）的收益率
ret_1m = price_df.pct_change(21)
# 动量 = 过去12个月收益率 - 最近1个月收益率
momentum = ret_12m - ret_1m
return momentum动量因子在A股的表现如何？我统计过2010年到2023年的数据，动量因子的月度IC均值大约在0.03-0.05之间，IR（信息比率）在0.5左右。不算特别高，但胜在稳定——除了2016年和2021年风格切换时出现过较大回撤。
我的经验： 动量因子最好和其他因子配合使用。比如动量+低波，或者动量+质量。单独使用动量，遇到市场风格切换时回撤会很大。我习惯在动量因子中加入“趋势强度”的过滤——只有当过去3个月的均线呈多头排列时，才启用动量信号。
4.2 低波因子（Low Volatility）
低波因子，学术上叫“低波动异象”。它的逻辑听起来有点反直觉：波动率越低的股票，未来收益率反而越高。这跟传统金融学里的“高风险高收益”完全相反。
为什么会这样？我个人的理解是：机构投资者（比如公募基金）有业绩排名压力，他们倾向于追逐高波动、高弹性的股票，因为这样才能在短期内跑赢同行。这种“博彩式”的买入行为，把高波动股票的估值推得很高，未来收益率自然就低了。而低波动股票被冷落，反而提供了安全边际。
低波因子的构建方法有很多种，我常用的是“历史波动率倒数”：
# 低波因子：过去60个交易日收益率的标准差的倒数
def low_vol_factor(price_df, window=60):
# 计算日收益率
daily_ret = price_df.pct_change()
# 计算滚动标准差（年化）
vol = daily_ret.rolling(window).std() * np.sqrt(252)
# 低波因子 = 1 / 波动率
low_vol = 1 / vol
return low_vol这里有个坑：直接用波动率的倒数，会导致因子值分布非常分散。我建议先对波动率做排名标准化，再取倒数。这样因子值会更平滑，选股效果也更好。
低波因子在A股的表现相当不错。我回测过，低波因子的月度IC均值在0.04-0.06之间，而且跟市场整体走势的相关性很低——市场大跌时，低波因子往往能提供保护。这也是为什么很多“防御型”策略都会把低波因子作为核心配置。
注意： 低波因子不是万能的。在牛市中后期，低波因子会跑输市场。因为那时候市场情绪亢奋，资金都去追高波动股票了。我2019年就吃过这个亏——上半年低波因子表现很好，下半年科技股暴涨，低波因子直接跑输沪深300十几个点。
4.3 质量因子（Quality）
质量因子，说白了就是“好公司”因子。什么样的公司算好？盈利能力强的、财务健康的、成长性好的。质量因子的逻辑很朴素：好公司的股票，长期来看应该能跑赢差公司。
但这里有个问题：如果市场是有效的，好公司的股票应该已经被定价了，哪来的超额收益？嗯，现实是市场经常犯错——好公司可能因为短期利空被错杀，差公司可能因为概念炒作被高估。质量因子赚的就是“纠错”的钱。
质量因子通常由多个子指标合成。我个人习惯用以下三个维度：
| 维度 | 指标 | 计算公式 |
|---|---|---|
| 盈利能力 | ROE（净资产收益率） | 净利润 / 净资产 |
| 财务健康 | 资产负债率 | 总负债 / 总资产（取倒数） |
| 盈利稳定性 | 毛利率波动率 | 过去5年毛利率的标准差（取倒数） |
合成方法很简单：先对每个子指标做排名标准化（z-score），然后等权相加：
# 质量因子：ROE、低杠杆、盈利稳定性合成
def quality_factor(financial_df):
# 假设financial_df包含ROE、资产负债率、毛利率波动率三列
# 排名标准化
roe_z = (financial_df['ROE'] - financial_df['ROE'].mean()) / financial_df['ROE'].std()
leverage_z = (financial_df['资产负债率'] - financial_df['资产负债率'].mean()) / financial_df['资产负债率'].std()
# 注意：资产负债率越低越好，所以取负值
leverage_z = -leverage_z
stability_z = (financial_df['毛利率波动率'] - financial_df['毛利率波动率'].mean()) / financial_df['毛利率波动率'].std()
# 同样，波动率越低越好，取负值
stability_z = -stability_z
# 等权合成
quality = (roe_z + leverage_z + stability_z) / 3
return quality质量因子在A股的表现比较稳健。我统计过，它的月度IC均值在0.02-0.04之间，不算高，但胜在稳定——几乎每个月都是正的。而且质量因子跟其他因子的相关性很低，是很好的“分散化”工具。
避坑指南： 我曾经在质量因子中加入过“营收增长率”这个指标，结果发现效果很差。为什么？因为高增长的公司往往估值也高，买入成本太高。后来我把“营收增长率”换成了“毛利率稳定性”，效果明显改善。所以，质量因子要关注的是“质量”本身，而不是“成长”。
4.4 三个因子的对比与组合
咱们把这三个因子放在一起看看：
| 因子 | 逻辑 | IC均值 | IR | 最大回撤 |
|---|---|---|---|---|
| 动量 | 强者恒强 | 0.03-0.05 | 0.5 | 较大（风格切换时） |
| 低波 | 低风险异象 | 0.04-0.06 | 0.6 | 较小（牛市后期除外） |
| 质量 | 好公司溢价 | 0.02-0.04 | 0.4 | 较小 |
从相关性来看，动量跟低波是负相关的——动量喜欢追涨，低波喜欢避险。质量跟两者都不太相关。所以，这三个因子组合在一起，能起到很好的分散效果。
我常用的组合方式是：动量40% + 低波30% + 质量30%。这个组合在牛市中能吃到动量的收益，在熊市中靠低波和质量提供保护。当然，具体权重可以根据市场环境动态调整——比如市场情绪高涨时，适当降低动量权重，增加低波权重。
最后说一句：这三个因子都不是“圣杯”。动量会失效，低波会跑输，质量也会遇到估值陷阱。但把它们组合在一起，再加上之前讲过的规模、价值、红利因子，就能构建出一个相对稳健的多因子体系。下一节，咱们就聊聊怎么把这些因子整合到一起，搭建一个完整的选股模型。