3. 单因子模型：CAPM模型回顾、单因子回归、Beta的计算与解释

好，咱们今天聊聊单因子模型。说白了，这是整个量化风险分析的起点。你想想看，市场上几千只股票，涨跌原因千奇百怪，但有没有一个最核心的驱动力？

我个人习惯把单因子模型看作是「用一把尺子量所有股票」。这把尺子就是市场本身。CAPM（资本资产定价模型）就是这把尺子的理论基石。

3.1 CAPM模型回顾：那个经典的公式

CAPM 长这样：

E(Ri) = Rf + βi * (E(Rm) - Rf)

解释一下：

  • E(Ri)：股票 i 的预期收益率
  • Rf：无风险利率（比如国债收益率）
  • βi：股票 i 的贝塔系数
  • E(Rm) - Rf：市场风险溢价

这个公式想表达什么？股票的预期收益，只跟它承担的市场风险有关。其他乱七八糟的风险，理论上可以通过分散化消除掉。

核心观点：CAPM 告诉我们，你赚的每一分钱，本质上都是在为「市场波动」买单。如果你承担了比市场更大的波动（β > 1），你就应该获得更高的预期回报。

我在项目中遇到过不少新手，上来就问「这个股票α很高，是不是很牛？」。嗯，这里要注意：α 是超额收益，但 CAPM 假设市场是有效的，长期来看 α 应该趋近于零。如果你发现某只股票 α 长期显著为正，要么是你模型用错了，要么是市场存在套利机会——但后者越来越难找了。

3.2 单因子回归：把理论变成实操

理论讲完了，怎么算 Beta？靠回归。

我们把 CAPM 改写成回归方程：

Ri - Rf = α + β * (Rm - Rf) + ε

这里：

  • Ri - Rf：股票的超额收益（因变量）
  • Rm - Rf：市场的超额收益（自变量）
  • β：回归系数，就是我们想要的 Beta
  • α：截距项，代表超额收益
  • ε：残差，模型没解释的部分

说白了，就是用历史数据跑一条直线，看看股票跟着市场涨跌的「幅度」有多大。

实操建议：我个人习惯用过去 3 年的日收益率数据做回归。太短了噪音大，太长了公司基本面可能都变了。当然，如果你做高频策略，用月频数据也行——但记得调整自由度。

下面给一段 Python 代码，用 statsmodels 跑单因子回归：

import pandas as pd
import statsmodels.api as sm

# 假设 df 包含三列：'stock_ret', 'market_ret', 'rf'
df['stock_excess'] = df['stock_ret'] - df['rf']
df['market_excess'] = df['market_ret'] - df['rf']

# 添加截距项
X = sm.add_constant(df['market_excess'])
y = df['stock_excess']

model = sm.OLS(y, X).fit()
print(model.summary())

# 提取 Beta
beta = model.params['market_excess']
alpha = model.params['const']

跑完回归，你会看到类似这样的输出：

变量 系数 标准误 t值 P值
const (α) 0.0002 0.0001 1.85 0.064
market_excess (β) 1.15 0.03 38.33 0.000

看到没？β = 1.15，说明这只股票比市场波动大 15%。P 值接近 0，说明这个 Beta 是统计显著的。

3.3 Beta 的计算与解释：别只看数字

Beta 的计算公式其实很简单：

β = Cov(Ri, Rm) / Var(Rm)

就是股票收益与市场收益的协方差，除以市场收益的方差。但解释起来，门道就多了。

Beta 的常见取值范围：

  • β = 1：跟市场同涨同跌
  • β > 1：进攻型股票（比如科技股），市场涨 1%，它可能涨 1.5%
  • 0 < β < 1：防御型股票（比如公用事业），市场跌 1%，它可能只跌 0.5%
  • β = 0：跟市场无关（比如现金）
  • β < 0：反向指标（比如黄金在某些时期）

避坑指南：我曾经犯过一个错误——直接用日频数据算 Beta，然后拿去做周频的风险归因。结果发现风险预算怎么都对不上。后来才意识到：Beta 的估计频率必须与你的持仓周期匹配。做日频交易就用日 Beta，做月频调仓就用月 Beta。混着用，结果就是一团浆糊。

另外，Beta 还有一个重要性质：组合的 Beta 等于个股 Beta 的加权平均。权重就是各股票的市值占比。这个性质在做风险归因时特别有用——你可以把组合的总风险拆解到每只股票上。

3.4 单因子模型的知识体系

下面这张图，是我自己画的一个结构图，帮你理清本章的逻辑：

单因子模型知识体系 CAPM 理论框架 E(Ri) = Rf + β × (E(Rm) - Rf) 单因子回归：从理论到实操 Ri - Rf = α + β × (Rm - Rf) + ε OLS 回归 → 估计 β 和 α Beta 的计算与解释 计算公式 β = Cov / Var 数值含义 β>1 进攻型, β<1 防御型 组合性质 组合β = 加权平均

这张图把本章的三个核心模块串起来了：CAPM 理论 → 回归方法 → Beta 解释。你顺着箭头看，就能理解整个单因子模型的逻辑链条。

3.5 几个容易踩的坑

最后，分享几个我实际工作中踩过的坑：

  1. 幸存者偏差：做回归时，别只选现在还活着的股票。那些退市的、被并购的，历史数据也得包含进去。否则你的 Beta 估计会偏乐观。
  2. 频率不匹配：前面说过了，日频 Beta 和月频 Beta 不是一回事。做风险归因时，务必统一频率。
  3. 结构性变化：一只股票 5 年前的 Beta 是 0.8，现在可能变成 1.5。公司业务变了，Beta 也会变。我一般只用最近 2-3 年的数据。
  4. 不要迷信 R²：单因子模型的 R² 通常不高（0.2-0.4 很正常）。这不代表模型没用，只是说明市场因子只能解释一部分收益。剩下的，交给多因子模型去处理。

一个小技巧：如果你用 Python 做滚动 Beta 估计，可以用 df.rolling(window=252).cov() 配合 df.rolling(window=252).var() 来计算。这样每天都能得到一个 Beta，方便你观察 Beta 的稳定性。

好了，单因子模型就聊到这儿。说白了，它就是一把最基础的尺子。虽然简单，但很多多因子模型的核心思想，都是从这儿衍生出来的。你把这个吃透了，后面学 Fama-French 三因子、五因子，就会轻松很多。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →