3. 因子归因入门：因子模型基础、CAPM模型归因、Fama-French三因子模型归因
聊到策略归因，绕不开的一个话题就是因子模型。说白了，我们做量化投资，赚的钱到底是从哪来的？是运气好，还是真的靠本事？因子归因就是用来回答这个问题的。
我个人习惯把因子模型比作「拆解收益的显微镜」。你想想看，一个策略的收益，其实可以拆解成两部分：一部分是市场整体涨跌带来的（Beta收益），另一部分是超越市场的部分（Alpha收益）。因子模型就是帮我们做这个拆解的工具。
3.1 因子模型基础：为什么需要它？
先问个问题：你辛辛苦苦开发了一个策略，回测年化收益30%。这时候老板问你：「这收益是来自你选股厉害，还是因为最近大盘涨得好？」
嗯，这就是因子归因要解决的核心问题。
因子模型的基本思想很简单：资产的收益可以被一系列共同因子所解释。这些因子可能是市场因子、规模因子、价值因子等等。每个资产对这些因子有不同的暴露度（也就是因子载荷），因子的收益率乘以暴露度，就构成了资产的预期收益。
核心公式：
R_i = α_i + β_i1 * F_1 + β_i2 * F_2 + ... + ε_i
其中：R_i 是资产i的收益率，F_j 是因子j的收益率，β_ij 是资产i对因子j的暴露度，α_i 是超额收益，ε_i 是残差项。
我在项目中遇到过不少新手，一上来就搞几十个因子，觉得因子越多越牛。结果呢？过拟合得一塌糊涂，实盘直接翻车。我的建议是：从最简单的模型开始，逐步增加复杂度。
3.2 CAPM模型归因：最经典的起点
CAPM（资本资产定价模型）是因子模型的鼻祖。它只有一个因子——市场因子。说白了，就是认为股票的收益只跟市场整体涨跌有关。
CAPM的公式长这样：
R_i - R_f = β_i * (R_m - R_f) + α_i其中R_f是无风险利率，R_m是市场收益率。β_i衡量的是股票对市场的敏感度。
举个例子：假设无风险利率是3%，市场涨了10%，某股票的β是1.2。那么按照CAPM，这只股票的预期超额收益应该是1.2 * (10% - 3%) = 8.4%。如果实际收益是12%，那α就是12% - 3% - 8.4% = 0.6%。
实战小技巧：
做CAPM归因时，我建议用滚动窗口估计β值。比如用过去60个交易日的数据，每天滚动计算。这样能捕捉到β的时变性。我曾经吃过亏，用固定β做归因，结果市场风格切换时，归因结果完全失真。
CAPM的局限性也很明显：它假设只有一个因子能解释收益。现实中，还有很多其他因素在影响股票收益。比如小盘股往往比大盘股收益更高，价值股往往比成长股表现更好。这些CAPM都解释不了。
3.3 Fama-French三因子模型：更精细的归因
1993年，Fama和French在CAPM的基础上，加入了两个新因子：规模因子（SMB）和价值因子（HML）。这就是大名鼎鼎的三因子模型。
三因子模型的公式：
R_i - R_f = α_i + β_mkt * (R_m - R_f) + β_smb * SMB + β_hml * HML + ε_i三个因子的含义：
- 市场因子（MKT）：跟CAPM一样，代表市场整体风险溢价
- 规模因子（SMB）：小盘股收益减去大盘股收益，代表规模效应
- 价值因子（HML）：高账面市值比股票收益减去低账面市值比股票收益，代表价值效应
我个人觉得，三因子模型最大的贡献是帮我们识别策略的「风格暴露」。比如你的策略如果在小盘股上暴露很高，那收益很大一部分可能来自规模因子，而不是你的选股能力。
避坑指南：
我曾经帮一个朋友做策略归因，他的策略回测收益很高，但用三因子模型一拆，发现α几乎为零。说白了，他的策略就是在做多小盘价值股，赚的全是因子暴露的钱。一旦风格切换，策略就会大幅回撤。所以，做归因不是为了好看，而是为了理解风险来源。
3.4 实战：用Python做三因子归因
下面我给出一个简单的Python实现，用最小二乘法做三因子归因。数据用的是A股市场的模拟数据。
import pandas as pd
import numpy as np
import statsmodels.api as sm
# 模拟数据：策略收益、市场收益、SMB、HML
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=252, freq='D')
data = pd.DataFrame({
'strategy_ret': np.random.randn(252) * 0.02 + 0.001,
'mkt_ret': np.random.randn(252) * 0.015 + 0.0008,
'smb': np.random.randn(252) * 0.01,
'hml': np.random.randn(252) * 0.01
}, index=dates)
# 计算超额收益（假设无风险利率为0.03/252）
rf = 0.03 / 252
data['strategy_excess'] = data['strategy_ret'] - rf
data['mkt_excess'] = data['mkt_ret'] - rf
# 回归分析
X = data[['mkt_excess', 'smb', 'hml']]
X = sm.add_constant(X)
y = data['strategy_excess']
model = sm.OLS(y, X).fit()
print(model.summary())
# 输出因子暴露和Alpha
print(f"Alpha (年化): {model.params['const'] * 252 * 100:.2f}%")
print(f"市场因子暴露: {model.params['mkt_excess']:.2f}")
print(f"SMB暴露: {model.params['smb']:.2f}")
print(f"HML暴露: {model.params['hml']:.2f}")运行这段代码，你会得到每个因子的系数（暴露度）和α值。如果α显著为正，说明你的策略确实有超额收益能力。如果α不显著，那就要反思一下了。
3.5 归因结果解读：别被数字骗了
拿到归因结果后，怎么解读？我总结了几个要点：
| 指标 | 含义 | 实战解读 |
|---|---|---|
| α（Alpha） | 超额收益，不能被因子解释的部分 | α显著为正 → 有选股/择时能力；α不显著 → 收益来自因子暴露 |
| β_mkt | 对市场风险的暴露 | β > 1 → 高波动策略；β < 1 → 防御型策略 |
| β_smb | 对规模因子的暴露 | 正值 → 偏向小盘股；负值 → 偏向大盘股 |
| β_hml | 对价值因子的暴露 | 正值 → 偏向价值股；负值 → 偏向成长股 |
| R² | 模型拟合优度 | R²越高 → 策略收益越能被因子解释；R²低 → 可能有独特alpha来源 |
重要提醒：
归因分析不是一次性的工作。我建议每个月做一次滚动归因，观察因子暴露的稳定性。如果某个因子的暴露度忽高忽低，说明策略的风格不稳定，这本身就是一个风险信号。
3.6 本章小结
因子归因入门，说白了就是学会用CAPM和三因子模型来拆解策略收益。记住三个核心点：
- 因子模型是工具，帮我们理解收益来源和风险暴露
- 从简单开始，先跑CAPM，再逐步加因子
- 关注α的显著性，这才是策略真正的价值所在
嗯，这一章的内容就到这里。因子归因是量化策略分析的基础，掌握了它，你就能更清楚地知道自己的策略到底在赚什么钱。