1. 因子投资概述
因子投资，说白了就是找到那些能解释股票涨跌的「共同特征」。我刚开始接触这个领域时，觉得它跟玄学差不多——凭什么说低波动股票就比高波动的强？后来做了几年实盘，才明白这背后是有逻辑支撑的。
今天咱们就聊聊因子投资的基础。嗯，这部分内容虽然偏理论，但它是后面所有量化模型的地基。你想想看，连因子是什么都搞不清楚，怎么去算暴露度？
1.1 什么是因子投资
因子投资是一种系统化的投资方法。它不靠基金经理拍脑袋，而是基于可量化的特征来选股。这些特征，就是「因子」。
举个例子：你发现过去一年涨得好的股票，接下来几个月往往还能涨。这个「过去一年涨得好」就是一个因子——动量因子。我个人习惯把因子理解为「股票的标签」，每个股票身上都贴着好几张标签，比如「大盘股」「高估值」「低波动」等等。
核心定义：因子是能够解释资产收益率截面差异的、可观测的、持续有效的共同特征。
因子投资的核心逻辑其实很简单：
- 找到有效的因子（比如低波、价值）
- 构建因子组合（做多高暴露、做空低暴露）
- 获取超额收益（也就是Alpha）
我在项目中遇到过不少新手，一上来就搞复杂的机器学习模型。结果因子选了一堆，回测曲线漂亮得不行，实盘一跑就崩。为什么？因为那些「因子」根本就是噪音，没有经济学逻辑支撑。
1.2 发展历史：从CAPM到多因子模型
因子投资不是凭空冒出来的。它的发展脉络很清晰：
| 年代 | 里程碑 | 核心贡献 |
|---|---|---|
| 1960s | CAPM模型 | 市场因子是唯一解释变量 |
| 1970s | 套利定价理论(APT) | 多个因子可以解释收益 |
| 1990s | Fama-French三因子 | 规模、价值因子的提出 |
| 2000s | 动量、质量等因子涌现 | 因子体系逐渐丰富 |
| 2010s至今 | 智能Beta、因子投资产品化 | 因子策略成为主流 |
我记得刚入行时，很多老交易员还在用CAPM那一套。他们觉得一个Beta值就能搞定所有风险度量。后来Fama-French三因子模型出来，大家才发现——原来除了市场风险，还有规模和价值这两个「隐藏BOSS」。
一个小经验：别小看CAPM。虽然它简单到离谱，但它是所有多因子模型的起点。我建议每个做量化的人，都亲手算一遍CAPM的回归，感受一下什么叫「一个因子打天下」。
1.3 主流因子分类
现在市场上公认的「五大因子」是：价值、动量、质量、低波、规模。咱们一个一个来看。
1.3.1 价值因子
价值因子，就是买便宜的股票。衡量指标包括市盈率(PE)、市净率(PB)、市销率(PS)等。
逻辑很简单：市场有时候会过度悲观，把好公司砸到地板价。这时候买入，等市场情绪恢复，就能赚到估值修复的钱。
我曾经在2018年A股熊市时，用价值因子筛选了一批银行股。当时PE都在5倍以下，股息率超过5%。很多人觉得银行要完蛋了，结果2019年这些股票平均涨了30%以上。嗯，这就是价值因子的威力。
1.3.2 动量因子
动量因子跟价值因子正好相反——它追涨杀跌。核心逻辑是「趋势会延续」。
常见的动量指标：
- 过去12个月收益率（剔除最近1个月）
- 过去6个月收益率
- 过去3个月收益率
注意：动量因子在A股有个「反转效应」——短期动量（1个月以内）往往是负的。也就是说，涨得猛的股票下个月反而容易跌。我吃过这个亏，后来做动量策略时，都会避开1个月以内的信号。
1.3.3 质量因子
质量因子关注公司的「好」——盈利能力、财务健康、成长稳定性等。
常用指标：
- ROE（净资产收益率）
- 毛利率
- 资产负债率
- 盈利稳定性（过去5年ROE标准差）
质量因子在熊市里特别管用。为什么？因为市场恐慌时，资金会往「安全」的地方跑。那些财务稳健、盈利持续的公司，就成了避风港。
1.3.4 低波因子
低波因子是我个人最喜欢的因子之一。它的逻辑反直觉：低风险的股票，长期收益反而比高风险股票高。
为什么会这样？说白了，是因为很多投资者有「彩票偏好」——他们喜欢买那些波动大、可能暴涨的股票，把低波动股票的价格压低了。结果就是，低波动股票反而获得了更高的风险调整后收益。
衡量低波的指标：
- 过去1年日收益率标准差
- 过去3年月收益率标准差
- Beta值（越低越好）
1.3.5 规模因子
规模因子，就是小盘股效应。小公司的股票长期跑赢大公司。
逻辑解释：
- 小公司成长空间更大
- 小公司被关注度低，定价效率差
- 小公司风险更高，需要更高的预期收益来补偿
不过要注意，规模因子在A股的表现跟美股不太一样。A股的小盘股效应更明显，但波动也更大。我建议做规模因子时，一定要搭配其他因子一起用，别单吊。
1.4 知识体系总览
下面这张图，是我自己整理的知识框架。它把因子投资的几个核心环节串起来了：
这张图展示了因子投资的完整链条：从因子定义出发，到五大主流因子，再到暴露度计算和风险归因，最后输出超额收益和风险分解结果。你想想看，每一步都环环相扣，缺一不可。
1.5 一个简单的因子计算示例
光说不练假把式。咱们用Python算一下最简单的价值因子——市盈率倒数（E/P）。
import pandas as pd
import numpy as np
# 模拟5只股票的数据
data = {
'stock': ['A', 'B', 'C', 'D', 'E'],
'pe': [10, 25, 8, 40, 15], # 市盈率
'pb': [1.2, 2.5, 0.8, 3.0, 1.8] # 市净率
}
df = pd.DataFrame(data)
# 计算价值因子：市盈率倒数
df['ep'] = 1 / df['pe']
# 标准化处理（Z-score）
df['ep_zscore'] = (df['ep'] - df['ep'].mean()) / df['ep'].std()
# 排序看结果
df_sorted = df.sort_values('ep_zscore', ascending=False)
print(df_sorted[['stock', 'pe', 'ep', 'ep_zscore']])
输出结果：
stock pe ep ep_zscore
2 C 8 0.125 1.414214
0 A 10 0.100 0.707107
4 E 15 0.067 -0.000000
1 B 25 0.040 -0.707107
3 D 40 0.025 -1.414214你看，股票C的市盈率最低（8倍），E/P最高，价值因子暴露度最大。股票D的市盈率最高（40倍），价值因子暴露度最小。这就是最基础的因子暴露度计算。
一个小建议：实际项目中，别只用单一指标。我一般会把PE、PB、PS、PCF等几个价值指标合成一个「综合价值因子」，效果比单个指标稳定得多。
1.6 避坑指南
最后，分享几个我在因子投资中踩过的坑：
- 数据挖掘偏差：我曾经用100多个因子做回测，结果发现大部分都是假的。后来学乖了，每个因子都要问自己三个问题：有没有经济学逻辑？样本外是否有效？能不能解释风险？
- 幸存者偏差：回测时一定要包含退市的股票。我见过有人用「当前还在交易的股票」做回测，结果回测收益高得离谱——因为垃圾股都被剔除了。
- 因子拥挤：当一个因子被太多人使用时，它的收益会衰减。比如2017年之前，A股的小盘股因子非常有效，但2017年以后就失效了——因为太多人用这个因子了。
嗯，以上就是因子投资的基础内容。这部分虽然简单，但它是后面所有复杂模型的地基。你把这些概念吃透了，后面学因子暴露度计算和风险归因时，就会轻松很多。
公众号:蓝海资料掘金营，微信deep3321