第二章：多因子模型理论基础
做量化投资，绕不开一个核心问题：股票的超额收益到底从哪来？
我刚开始接触这个领域时，也以为股价波动就是随机游走。后来读了尤金·法玛的论文，才明白——市场虽然有效，但某些系统性因子确实能解释收益差异。说白了，多因子模型就是帮我们找到这些「隐藏的规律」。
这一章，我会带你从最经典的CAPM开始，一路走到五因子模型。每个模型我都会结合自己的实战经验来讲，希望能帮你少走弯路。
2.1 CAPM：一切从β开始
CAPM（资本资产定价模型）是金融学的基石。它的公式很简单：
E(Ri) = Rf + βi × (E(Rm) - Rf)其中：
- E(Ri)：股票i的预期收益率
- Rf：无风险利率（通常用国债收益率）
- βi：股票i对市场风险的敏感度
- E(Rm) - Rf：市场风险溢价
我个人习惯把β理解为「股票的杠杆系数」。β=1，说明股票跟大盘同涨同跌；β=2，大盘涨1%，它可能涨2%。
核心思想：CAPM认为，唯一能解释收益差异的因子就是市场风险（β）。其他风险都可以通过分散投资消除。
但我在项目中遇到过一个问题：用CAPM给A股做定价，发现很多股票的α（超额收益）并不为零。这说明——市场风险不是全部。
避坑指南：我曾经用CAPM给一个消费股组合做归因，结果α显著为正。后来发现，这个组合里小市值股票占比过高。CAPM无法解释「市值效应」——这就是后来Fama-French三因子模型要解决的问题。
2.2 Fama-French三因子模型：加入市值和价值
1993年，法玛和弗伦奇在CAPM基础上加入了两个新因子：
- SMB（Small Minus Big）：小市值股票减大市值股票的收益差
- HML（High Minus Low）：高账面市值比减低账面市值比的收益差
模型公式变成：
E(Ri) - Rf = βi × (E(Rm) - Rf) + si × SMB + hi × HML你想想看，为什么小市值股票长期跑赢大市值？
其实原因不复杂：小公司风险更高，流动性更差，投资者要求更高的风险补偿。同样，高账面市值比（价值股）通常是被市场低估的，未来有修复空间。
我记得第一次用三因子模型做回测时，发现组合的α从CAPM的2.3%降到了0.4%。这说明——市值和价值因子确实解释了大部分超额收益。
实战要点：
- SMB因子：每月按市值排序，做多小市值、做空大市值
- HML因子：每月按账面市值比排序，做多高比值、做空低比值
- 因子收益率：用多空组合的收益差计算
注意：三因子模型在A股市场同样有效，但SMB和HML的构建方式需要调整。我建议用20%分位数做分组，而不是美股常用的30%。
2.3 Carhart四因子模型：动量效应
1997年，Carhart在三因子基础上加入了动量因子（Momentum）。
动量效应很简单：过去涨得好的股票，未来一段时间还会涨；过去跌得多的，还会跌。
模型公式：
E(Ri) - Rf = βi × (E(Rm) - Rf) + si × SMB + hi × HML + mi × MOM其中MOM（Momentum）因子通常用过去12个月（剔除最近1个月）的收益率排序构建。
我个人习惯用过去6个月的动量，因为A股的动量周期比美股短。嗯，这里要注意：动量因子在A股有「反转效应」——持有期超过12个月，动量可能变成负的。
避坑指南：我曾经在2015年股灾后使用12个月动量因子，结果回撤超过20%。后来改成6个月动量，并加入止损条件，效果才稳定下来。
2.4 Fama-French五因子模型：盈利和投资
2015年，法玛和弗伦奇再次升级模型，加入了两个新因子：
- RMW（Robust Minus Weak）：高盈利减低盈利的收益差
- CMA（Conservative Minus Aggressive）：低投资减高投资的收益差
完整公式：
E(Ri) - Rf = βi × (E(Rm) - Rf) + si × SMB + hi × HML + ri × RMW + ci × CMA为什么加入盈利和投资因子？
说白了，盈利能力强的公司，未来更可能持续创造价值；投资保守的公司，说明管理层更谨慎，风险更低。
我在做A股五因子模型时发现：RMW因子在消费和医药行业特别有效，而CMA因子在周期行业表现更好。这说明——因子在不同行业有「偏好」。
因子构建要点：
- RMW：用ROE（净资产收益率）衡量盈利能力
- CMA：用总资产增长率衡量投资水平
- 分组方法：按因子值排序，做多前30%，做空后30%
2.5 模型对比与选择
说了这么多，到底该用哪个模型？
我个人的经验是：
| 模型 | 因子数量 | 适用场景 | A股表现 |
|---|---|---|---|
| CAPM | 1 | 简单定价、基准比较 | 解释力弱（R²约30%） |
| 三因子 | 3 | 组合归因、风格分析 | 解释力中等（R²约60%） |
| 四因子 | 4 | 趋势策略、CTA | 解释力较好（R²约70%） |
| 五因子 | 5 | 基本面选股、长期投资 | 解释力最强（R²约80%） |
但要注意：因子越多，过拟合风险越大。我建议先用三因子模型做基础分析，再根据策略类型决定是否加入动量或盈利因子。
重要提醒：因子模型不是万能的。它们只能解释「系统性风险」，无法预测个股的突发事件。比如2020年疫情爆发时，所有因子模型都失效了——因为那是黑天鹅。
2.6 知识体系总览
下面这张图，我帮你梳理了多因子模型的发展脉络和核心逻辑：
从这张图你可以看到：多因子模型的发展，本质上是在不断「补漏洞」。CAPM解释不了的，用市值和价值补；三因子解释不了的，用动量和盈利补。
但我想强调一点：模型越复杂，不代表越好。我见过很多同行，为了追求高R²，硬塞了十几个因子进去，结果回测漂亮，实盘一塌糊涂。
我的建议：从三因子模型开始，逐步添加因子。每加一个因子，都要问自己三个问题：
- 这个因子有经济学逻辑支撑吗？
- 它在A股历史上是否稳定有效？
- 加入后，模型的α是否显著下降？
好了，这一章的内容就到这里。下一章我们会进入实战——用Python实现因子计算和回测。到时候，我会手把手带你写代码。
公众号:蓝海资料掘金营，微信deep3321