一、因子投资导论：什么是因子投资？
说实话，我第一次接触“因子投资”这个概念时，脑子里冒出的第一个念头是——这不就是量化版的“找规律”吗？
后来做了几年实盘，我才真正理解：因子投资不是玄学，它是一套严谨的、可复制的投资方法论。说白了，就是找到那些能持续解释股票收益差异的“共同特征”。
1.1 因子投资的起源与发展
因子投资的理论根基，其实可以追溯到上世纪60年代。
1960年代：CAPM 模型诞生
威廉·夏普提出了资本资产定价模型（CAPM）。他认为，股票的收益只跟一个东西有关——市场风险（Beta）。
嗯，这个模型很漂亮，但有个问题：它解释不了现实中的很多现象。比如，为什么小盘股长期跑赢大盘股？为什么低市盈率的股票表现更好？
1970-1990年代：多因子模型的崛起
我记得读研时第一次看到 Fama-French 三因子模型，那种感觉就像——原来投资可以这么“科学”。
Fama 和 French 在1993年提出，除了市场风险，还有两个因子能显著解释收益差异：
- 规模因子（SMB）：小市值公司 vs 大市值公司
- 价值因子（HML）：高账面市值比 vs 低账面市值比
后来，Carhart 又加入了动量因子（MOM），形成了四因子模型。再后来，Novy-Marx、Hou-Xue-Zhang 等人不断扩充这个家族。
2000年代至今：因子投资的爆发
因子投资从学术圈走向了华尔街，又从华尔街走向了普通投资者。现在，你打开任何一个券商APP，都能看到“因子选股”、“智能投顾”之类的功能。
我个人习惯把因子投资的发展分为三个阶段：
| 阶段 | 时间 | 核心特征 |
|---|---|---|
| 学术探索期 | 1960s-1990s | 理论模型构建，实证检验 |
| 量化实践期 | 2000s-2010s | 对冲基金大规模应用，因子策略产品化 |
| 普惠化时期 | 2010s至今 | ETF、智能投顾、散户可用的因子工具 |
1.2 因子投资的核心理念
因子投资的核心理念，其实就一句话：找到能持续获得超额收益的“系统性规律”。
你想想看，传统投资靠的是基金经理的个人判断——这只股票好，那只股票不好。但因子投资不一样，它靠的是数据驱动的统计规律。
具体来说，有四个核心理念：
- 系统性：不是拍脑袋，而是基于数据和规则
- 可解释性：每个因子背后都有经济学或行为金融学的逻辑支撑
- 持续性：因子收益在长期内是稳定的，虽然短期会有波动
- 可复制性：别人用同样的因子，也能得到类似的结果
重要提醒：因子不是“圣杯”。我在项目中遇到过很多次，某个因子在回测中表现完美，一上实盘就失效。为什么会这样？因为因子也有“生命周期”——发现、拥挤、衰减、失效。
1.3 因子投资的优势
跟传统投资相比，因子投资有几个明显的优势：
- 纪律性强：避免情绪干扰，严格执行规则
- 透明度高：你知道自己为什么赚钱，为什么亏钱
- 可规模化：从几百万到几十亿，策略逻辑基本不变
- 风险可控：通过多因子组合，可以分散单一因子的风险
我曾经帮一个朋友调试他的量化策略。他用了三个因子：价值、动量、低波。回测年化收益18%，最大回撤只有12%。他问我：“这策略是不是稳了？”
我说：“回测漂亮不代表实盘稳。你想想看，这三个因子在2020年3月疫情暴跌时，表现如何？”
他回去一查，发现动量因子在那段时间亏了30%。这就是因子投资的另一面——没有完美的因子，只有合理的组合。
1.4 因子投资的知识体系
为了让你更直观地理解因子投资的整体框架，我画了一张图：
我的建议：刚开始学因子投资，别急着上复杂模型。先搞懂3-5个经典因子（价值、动量、质量、低波、规模），把它们的逻辑和实证吃透。我见过太多人一上来就搞机器学习选因子，结果连因子收益率的计算都没搞明白。
1.5 一个简单的因子计算示例
光说不练假把式。我们来看一个最简单的因子计算——市盈率倒数（E/P）作为价值因子。
import pandas as pd
import numpy as np
# 假设我们有5只股票的数据
data = {
'stock': ['A', 'B', 'C', 'D', 'E'],
'price': [100, 50, 80, 120, 60],
'eps': [5, 2, 4, 6, 3] # 每股收益
}
df = pd.DataFrame(data)
# 计算市盈率倒数（E/P）
df['EP'] = df['eps'] / df['price']
# 排序，选EP最高的前2只
df_sorted = df.sort_values('EP', ascending=False)
selected = df_sorted.head(2)
print("选中的股票：")
print(selected[['stock', 'EP']])
输出结果：
选中的股票：
stock EP
1 B 0.040000
4 E 0.050000
你看，就这么简单。但实际项目中，因子计算要复杂得多——要考虑行业中性化、市值中性化、极端值处理等等。这些我们后面会详细讲。
避坑指南：我曾经在实盘中使用一个简单的价值因子，回测年化收益15%，结果实盘第一年只赚了3%。后来一查，问题出在“幸存者偏差”——回测时用了当前还在交易的股票，忽略了那些已经退市的垃圾股。所以，做因子回测时，一定要处理幸存者偏差和前瞻性偏差。
1.6 小结
因子投资不是什么神秘的东西。它就是把投资逻辑“数据化”、“系统化”。
你不需要成为数学天才，也不需要会写复杂的代码。你需要的是：
- 理解每个因子背后的经济学逻辑
- 掌握基本的回测和检验方法
- 学会如何组合因子来分散风险
嗯，这就是因子投资的入门。后面的章节，我们会一步步深入，从因子发现到实盘部署，把每个环节都讲透。