因子分类体系：宏观因子、风格因子、行业因子、统计因子、基本面因子
做量化这些年，我见过不少人一上来就堆因子。几百个因子往里塞，回测曲线漂亮得不行。结果实盘一跑，直接崩了。
为什么会这样？说白了，就是没搞清楚因子的分类体系。你想想看，连因子是什么类型都没弄明白，你怎么敢用它来预测收益？
今天我就把这五类因子掰开揉碎了讲清楚。这五类分别是：宏观因子、风格因子、行业因子、统计因子、基本面因子。嗯，咱们一个一个来。
核心观点：因子分类不是学术游戏。它直接决定了你的组合构建逻辑、风险归因方式、以及最终的实盘表现。
1. 宏观因子：市场的底层驱动力
宏观因子，说白了就是那些能影响所有资产价格的大变量。利率、通胀、GDP增速、汇率、信用利差——这些东西一动，整个市场都得跟着抖三抖。
我个人习惯把宏观因子分成两类：增长类和价格类。增长类看经济周期，价格类看通胀和利率。这两类因子组合起来，基本能解释大部分资产的长期走势。
实战经验：我在做多资产配置时，第一件事就是看宏观因子的状态。比如2022年，通胀因子飙升，利率因子跟着往上走。这时候你如果还重仓成长股，那基本就是送人头。我当时把组合里的久期砍了一半，换成了商品和通胀挂钩债券，才勉强保住了收益。
宏观因子的核心应用场景有两个：
- 资产配置：判断大类资产的长期方向
- 风险对冲：用宏观因子暴露来对冲系统性风险
但要注意，宏观因子的预测能力其实很弱。你想想看，如果能准确预测下个月的CPI，你早就是亿万富翁了。所以宏观因子更适合做风险归因，而不是做择时。
2. 风格因子：横截面的秘密武器
风格因子，这是咱们量化圈最熟悉的领域。价值、动量、质量、规模、低波、成长——这些因子解释了个股之间的收益差异。
我记得刚入行那会儿，觉得风格因子就是万能的。后来发现，风格因子也有失效的时候。比如2020年，价值因子跌成狗，动量因子也频繁反转。那段时间我回撤了15%，心里慌得一批。
风格因子的核心特征：
- 横截面属性：在同一时间点，不同股票在风格因子上的暴露不同
- 时序稳定性：风格因子的收益在长期是稳定的，但短期会剧烈波动
- 可投资性：可以通过构建多空组合来获取风格因子收益
重要提醒：风格因子之间不是独立的。价值和动量经常负相关，质量和低波高度相关。做组合时一定要考虑因子之间的相关性，否则你会以为自己做了分散化，实际上全押在同一个风险源上。
我个人建议，风格因子的数量控制在5-8个就够了。太多了反而容易过拟合。我见过有人搞了50个风格因子，回测曲线漂亮得不像话，实盘直接崩了。为什么？因为很多因子其实就是同一个东西的不同变种。
3. 行业因子：躲不开的板块效应
行业因子，这个好理解。同一个行业的股票，走势往往高度相关。你想想看，新能源板块涨的时候，宁德时代和比亚迪能差到哪去？
行业因子的处理方式有两种：
- 哑变量法：每个行业设一个0/1变量，属于该行业就取1，否则取0
- 行业指数法：直接用行业指数的收益率作为因子
我个人更倾向于哑变量法。为什么？因为行业指数本身也包含了风格因子的影响。比如消费行业指数，里面既有行业因素，也有质量因子、成长因子的影响。用哑变量法可以更干净地剥离出纯粹的行业效应。
避坑指南：我曾经在构建多因子模型时，把行业因子和风格因子一起放进去做回归。结果发现行业因子的系数全都不显著。后来才意识到，风格因子已经吸收了行业因子的解释力。正确的做法是：先对收益率做行业中性化处理，再跑风格因子模型。
行业因子的应用场景：
- 行业轮动：根据行业因子的动量或估值来做轮动
- 风险控制：控制组合在单个行业上的暴露，避免过度集中
4. 统计因子：数据说了算
统计因子，这是最"数学"的一类因子。主成分分析（PCA）、独立成分分析（ICA）、因子分析（FA）——这些方法不依赖任何经济理论，纯粹从数据中提取共同因子。
统计因子的优点很明显：解释力强。你拿1000只股票的收益率矩阵做PCA，前几个主成分就能解释60%-70%的方差。缺点也很明显：可解释性差。你很难说清楚第三个主成分到底代表什么。
我个人的经验是，统计因子更适合做降维和噪声过滤，而不是做投资决策。比如，你可以用PCA提取前10个主成分，然后用这些主成分来估计协方差矩阵，这样能有效避免协方差矩阵的估计误差。
小技巧：用统计因子做协方差矩阵估计时，记得做一下"去噪"处理。把特征值小于某个阈值的成分直接扔掉，只保留信号部分。我在实盘中用这个方法，组合的波动率降低了大概15%。
统计因子的代码实现其实很简单：
import numpy as np
from sklearn.decomposition import PCA
# 假设 returns 是 N只股票 x T个时间点的收益率矩阵
pca = PCA(n_components=10)
factors = pca.fit_transform(returns.T) # 提取前10个统计因子
loadings = pca.components_ # 因子载荷矩阵
# 解释方差比例
explained_ratio = pca.explained_variance_ratio_
print(f"前10个因子解释了 {explained_ratio.sum():.2%} 的方差")
5. 基本面因子：回归公司本质
基本面因子，这是最"传统"的一类因子。PE、PB、ROE、营收增长率、毛利率、资产负债率——这些指标直接来自公司的财务报表。
基本面因子和风格因子有重叠，但侧重点不同。风格因子更关注市场定价，比如价值因子看的是PB和PE的百分位。基本面因子更关注公司质量，比如ROE的高低、毛利率的稳定性。
基本面因子的核心优势：
- 逻辑清晰：好公司就应该有好价格，这个逻辑谁都懂
- 数据可靠：财务报表是经过审计的，造假成本高
- 长期有效：基本面因子在长期维度上表现稳定
但基本面因子也有硬伤：频率低。季报一年才四次，年报一年一次。你拿着季度数据去做日频交易，那基本是刻舟求剑。
我的建议：基本面因子适合做低频选股，比如月度调仓。如果你做高频交易，基本面因子基本没用。我自己的组合里，基本面因子占30%的权重，风格因子占50%，剩下的20%给行业因子和宏观因子。
各类因子的对比总结
| 因子类型 | 数据来源 | 更新频率 | 解释能力 | 可解释性 | 主要用途 |
|---|---|---|---|---|---|
| 宏观因子 | 宏观经济数据 | 月度/季度 | 高（系统性） | 高 | 资产配置、风险对冲 |
| 风格因子 | 市场交易数据 | 日度 | 中（横截面） | 高 | 选股、组合构建 |
| 行业因子 | 行业分类 | 日度 | 中（板块效应） | 高 | 行业轮动、风险控制 |
| 统计因子 | 收益率数据 | 日度 | 高（降维） | 低 | 协方差估计、噪声过滤 |
| 基本面因子 | 财务报表 | 季度 | 低（长期） | 高 | 低频选股、价值投资 |
嗯，这五类因子各有各的脾气。宏观因子管大局，风格因子管选股，行业因子管板块，统计因子管降维，基本面因子管质量。你不可能只用一类因子就把所有问题都解决。
我个人习惯的做法是：宏观因子定方向，风格因子选个股，行业因子控风险，统计因子做优化，基本面因子做验证。五类因子配合使用，才能构建出真正稳健的组合。