2. 因子投资基础：因子定义、因子分类
聊因子投资之前，我先问个问题：你凭什么觉得某只股票能涨？
凭感觉？凭K线图？还是凭它名字好听？
说实话，这些都不靠谱。真正专业的做法，是找到那些能解释收益的共同特征。这些特征，就是因子。
2.1 因子到底是什么？
因子的定义其实很简单：因子是能够解释资产收益率横截面差异的某种特征或风险来源。
我习惯把它理解成「股票的基因」。就像人有高矮胖瘦，股票也有自己的属性——市值大小、估值高低、动量强弱。这些属性共同决定了股票的预期收益。
核心公式：
E(Ri) = Rf + βi1 × λ1 + βi2 × λ2 + ... + βik × λk
其中βik是股票i对因子k的暴露，λk是因子k的风险溢价。
说白了，这就是一个多因子定价模型。每只股票的预期收益，等于无风险利率加上它对各个因子的暴露乘以因子溢价的总和。
我的经验：刚入行时我总纠结「到底该用几个因子」。后来发现，因子不是越多越好。5-8个核心因子足够解释大部分收益。再多就是过度拟合了。
2.2 因子分类：三种主流视角
因子怎么分类？业内主要有三种分法。我一个个讲。
2.2.1 风格因子
风格因子，也叫特征因子。它们来自股票自身的属性。
最常见的风格因子包括：
- 市值因子（Size）：小盘股 vs 大盘股
- 价值因子（Value）：低估值 vs 高估值
- 动量因子（Momentum）：过去涨得好的 vs 涨得差的
- 质量因子（Quality）：高ROE、低杠杆的公司
- 低波因子（Low Volatility）：波动率低的股票
我记得2018年做A股指增策略时，动量因子在A股表现特别不稳定。后来发现是因为A股散户占比高，追涨杀跌太严重。嗯，这里要注意——风格因子在不同市场可能有完全不同的表现。
| 风格因子 | 构建方式 | 典型多空组合 |
|---|---|---|
| 市值 | 总市值排序 | 做多小盘，做空大盘 |
| 价值 | BP、EP等估值指标 | 做多低估值，做空高估值 |
| 动量 | 过去12个月收益率（剔除最近1个月） | 做多赢家，做空输家 |
| 质量 | ROE、毛利率、资产负债率等 | 做多高质量，做空低质量 |
| 低波 | 过去60日收益率标准差 | 做多低波动，做空高波动 |
2.2.2 宏观因子
宏观因子，顾名思义，来自宏观经济变量。它们影响的是整个市场，而不是某只股票。
常见的宏观因子：
- 经济增长因子：GDP增速、工业增加值
- 通胀因子：CPI、PPI
- 利率因子：国债收益率曲线变化
- 信用因子：信用利差
- 汇率因子：人民币兑美元等
你想想看，宏观因子和风格因子最大的区别是什么？
风格因子是选股用的，宏观因子是择时用的。做指增策略时，我们主要控制风格因子的暴露，但也要关注宏观因子的影响。
避坑指南：我曾经在2020年做回测时，发现某个宏观因子表现特别好。后来仔细一查，是因为样本期内包含了2008年金融危机和2020年疫情两次极端事件。宏观因子对极端事件特别敏感，回测时一定要做压力测试。
2.2.3 统计因子
统计因子，是用数学方法从数据中「硬挤」出来的因子。最典型的就是主成分分析（PCA）。
统计因子的特点：
- 纯数据驱动：不需要经济学解释
- 解释力强：前几个主成分往往能解释大部分方差
- 可解释性差：你很难说清楚第3个主成分到底代表什么
我个人不太喜欢纯统计因子做指增。为什么？因为指增策略需要可解释性。你跟客户说「我们暴露了第3个主成分」，客户肯定一脸懵。但统计因子有个好用处——做风险模型。用PCA降维后，可以快速估算协方差矩阵。
三种因子的对比：
| 维度 | 风格因子 | 宏观因子 | 统计因子 |
|---|---|---|---|
| 数据来源 | 股票特征 | 宏观经济数据 | 收益率数据 |
| 可解释性 | 高 | 中 | 低 |
| 稳定性 | 中 | 低（受政策影响大） | 高（数学上稳定） |
| 主要用途 | 选股、归因 | 择时、宏观对冲 | 风险模型、降维 |
2.3 因子投资的核心逻辑
因子投资说白了就三步：
- 识别因子：找到能解释收益的共同特征
- 构建组合：按因子暴露排序，做多高暴露、做空低暴露
- 控制风险：管理好对其他因子的意外暴露
做指增策略时，我们最关心的是第3步。基准指数本身就有因子暴露，比如沪深300天然偏大盘。我们的目标是在跟踪基准的基础上，主动暴露某些因子来获取超额收益。
举个例子：
- 基准：沪深300（大盘风格）
- 策略：在沪深300基础上，超配低估值股票，低配高估值股票
- 结果：策略相对基准的收益，就是价值因子的溢价
但这里有个坑——你超配低估值的同时，可能不小心超配了银行股。银行股又受利率影响大。结果你暴露了利率因子，自己还不知道。
我的建议：做因子暴露分析时，一定要做正交化处理。把风格因子之间的相关性剥离干净，才能看清楚你到底暴露了什么。我习惯用Barra模型的那套方法，虽然计算量大，但结果干净。
2.4 本章知识体系
下面这张图，是我自己整理的因子投资知识框架。你看一眼就能明白各块内容的关系。
从这张图你能看到，因子定义在最上层，下面是三大分类，再往下是具体因子和构建方法，最底层是实际应用。做指增策略时，我们主要用风格因子做选股，用宏观因子做风险预警，用统计因子做风险模型。
本章核心要点：
- 因子是解释收益的共同特征，不是玄学
- 风格因子用于选股，宏观因子用于择时，统计因子用于风险建模
- 做指增策略，核心是控制因子暴露，而不是追求高收益
- 因子之间会相互影响，一定要做正交化处理
好了，因子基础就讲到这里。下一章我们会深入讲因子暴露的计算方法，包括怎么用回归模型估算暴露度，以及怎么处理多重共线性问题。
公众号:蓝海资料掘金营，微信deep3321