2. 因子分类体系：基本面因子、技术因子、另类因子、宏观因子

做多因子模型这些年，我最大的体会就是：因子分类是基本功。就像盖房子要先分清楚砖头、水泥和钢筋一样，搞量化投资也得先把因子分门别类搞清楚。

说实话，我刚入行那会儿也犯过糊涂。有一次把技术因子和基本面因子混在一起做回测，结果出来的信号乱七八糟。后来我才明白——不同类别的因子，背后驱动的逻辑完全不同。你想想看，一家公司的财报数据和它过去5天的价格走势，能是一回事吗？

2.1 基本面因子：看公司底子

基本面因子，说白了就是看一家公司到底值多少钱。我习惯把它分成三个层次：

• 估值类：PE、PB、PS这些，判断股票贵不贵
• 成长类：营收增速、利润增速，看公司跑得快不快
• 质量类：ROE、毛利率、负债率，评估公司体质好不好

我记得2018年做A股策略时，单纯用低估值因子效果很差。后来加了质量因子做筛选，年化收益直接提升了8个点。为什么？因为便宜没好货，便宜+优质才是真便宜。

2.2 技术因子：看市场情绪

技术因子，我更喜欢叫它"市场行为因子"。它反映的是交易者的集体心理。

常见的几类：

• 动量因子：过去涨得好的，未来还会涨（短期）
• 反转因子：涨太多了会跌，跌太多了会涨
• 波动率因子：低波动股票往往有超额收益
• 资金流因子：大单净流入、主力资金动向

嗯，这里要注意一点：技术因子的衰减速度非常快。我曾经用5日动量因子做策略，前三个月收益不错，第四个月突然失效了。后来一查，是因为市场风格切换了。所以技术因子需要频繁监控和调整。

2.3 另类因子：找信息差

另类因子，这是我最喜欢的一类。为什么？因为信息不对称就是利润来源。

常见的另类数据源：

数据类别	具体例子	应用场景
卫星图像	停车场车辆数、农田面积	零售店客流、农产品产量预测
网络爬虫	电商评论、招聘信息	消费趋势、公司扩张信号
支付数据	信用卡流水、支付宝交易	消费类股票营收预测
舆情数据	新闻情感、社交媒体热度	事件驱动策略

我曾经用招聘网站的岗位数据做过一个因子。某家互联网公司突然大量招聘AI工程师，我判断它要发力AI业务。三个月后财报出来，AI业务果然成了增长点。这个因子帮我提前布局，赚了一波。

2.4 宏观因子：看大环境

宏观因子，说白了就是"水大鱼大"的逻辑。经济好时买股票，经济差时买债券。

核心宏观因子：

• 利率因子：降息利好股市，加息利空
• 通胀因子：温和通胀利好，恶性通胀利空
• GDP增速：经济周期决定资产配置方向
• 信用利差：反映市场风险偏好

我个人习惯把宏观因子当作"开关"来用。比如当信用利差快速扩大时，我会降低股票仓位，增加债券配置。这个逻辑在2020年3月帮我躲过了一波大跌。

2.5 四类因子的关系

下面这张图是我自己总结的因子分类体系，你可以看到它们之间的层次关系：

从这张图你可以看到，四类因子不是孤立的。它们之间会相互影响。比如宏观因子会影响基本面因子（经济好→公司盈利好），技术因子也会反映基本面变化（财报超预期→股价上涨）。

2.6 实战中的分类应用

说了这么多理论，来点实际的。我一般这样组合使用：

1. 先用宏观因子定方向：判断当前是进攻还是防守
2. 再用基本面因子选股票：在确定的方向里挑好公司
3. 技术因子做择时：找合适的买卖点
4. 另类因子做增强：发现别人没看到的机会

最后说一句：因子分类不是死的。有些因子可以跨类别使用，比如舆情数据既可以算另类因子，也可以加工成技术因子。关键是你得理解每个因子背后的逻辑，而不是死记硬背分类表。