第二章：行业因子分类——宏观因子、基本面因子、技术因子、另类数据因子

各位同学，咱们今天聊聊行业因子的分类。说实话，我刚入行那会儿，看到市场上五花八门的因子，头都大了。后来慢慢摸出门道，发现其实就四大类：宏观因子、基本面因子、技术因子、另类数据因子。这四类因子，就像工具箱里的四把扳手，各有各的用处。

2.1 宏观因子：大环境的风向标

宏观因子，说白了就是看天吃饭。经济好不好、利率高不高、通胀猛不猛，这些都会影响整个行业的表现。我个人习惯把宏观因子分成三类：

• 经济增长因子：GDP增速、PMI、工业增加值等。经济上行期，周期行业（比如钢铁、煤炭）表现好；经济下行期，防御行业（比如医药、消费）更抗跌。
• 利率与货币因子：基准利率、M2增速、社融数据。利率低的时候，成长行业（比如科技、新能源）估值容易拔高；利率高的时候，价值行业（比如银行、地产）反而受益。
• 通胀与价格因子：CPI、PPI、大宗商品价格。通胀温和时，消费行业受益；通胀飙升时，资源行业（比如石油、有色）往往大涨。

我在项目中遇到过一件事。2020年疫情刚爆发时，很多人慌了，觉得所有行业都要完蛋。但我当时盯着宏观数据看——M2增速在往上走，利率在往下走。这说明什么？流动性宽松！所以我果断加仓了科技和消费行业。结果呢？嗯，后面大家都知道了。

2.2 基本面因子：行业自身的硬实力

基本面因子，就是看行业本身赚不赚钱、有没有增长。这比宏观因子更直接，也更贴近投资本质。我常用的基本面因子有这些：

因子类别	具体指标	应用场景
盈利能力	ROE、毛利率、净利率	筛选高利润行业
成长性	营收增速、利润增速	寻找高增长赛道
估值水平	PE、PB、PS	判断行业是否便宜
财务健康	资产负债率、现金流	排除高风险行业

你想想看，如果一个行业ROE长期低于10%，毛利率还在往下掉，那它凭什么值得你重仓？我建议，基本面因子至少要占你因子权重的30%以上。为什么？因为基本面是行业价值的“锚”。

2.3 技术因子：市场情绪的体温计

技术因子，很多人觉得是玄学。其实不然。技术因子反映的是市场参与者的行为，说白了就是“别人在干嘛”。常用的技术因子包括：

• 动量因子：过去3个月、6个月的涨幅。强者恒强，弱者恒弱，这是A股市场的铁律。
• 反转因子：短期超跌反弹。比如过去5天跌了10%以上，后面可能反弹。
• 成交量因子：换手率、成交额。量在价先，放量上涨说明资金在涌入。
• 波动率因子：历史波动率、隐含波动率。波动率低的时候，往往是大行情的前夜。

我记得有一次，我用动量因子筛选行业，发现某个行业连续3个月涨幅排名前3。我当时觉得“涨太多了，该回调了吧”，就没配。结果呢？它又涨了两个月。从那以后，我再也不敢轻易逆着动量做决策了。

2.4 另类数据因子：信息差的红利

另类数据因子，是近几年才火起来的。说白了，就是利用非传统数据来预测行业走势。这些数据包括：

• 舆情数据：新闻情感分析、社交媒体热度。比如某行业突然被媒体密集报道，往往意味着风口来了。
• 供应链数据：卫星图像、物流数据。比如通过卫星看港口集装箱数量，可以提前判断出口行业的景气度。
• 消费数据：电商销量、APP下载量。比如某消费品牌的线上销量突然暴增，股价大概率会跟涨。
• 政策数据：政府工作报告关键词、产业政策文件。比如“碳中和”被写入报告后，新能源行业涨了整整两年。

另类数据的价值在于“快”。传统数据（比如财报）有滞后性，而另类数据可以实时反映行业变化。我建议，如果你有资源，一定要把另类数据纳入因子体系。哪怕只占10%的权重，也能带来超额收益。

2.5 四大因子的协同与权重分配

好了，四大因子都讲完了。那怎么把它们组合起来呢？我画了一张图，帮你理清思路：

这张图展示了四大因子的协同关系。我个人习惯的权重分配是：基本面因子35%、宏观因子25%、技术因子20%、另类数据因子20%。当然，这不是固定的。比如在牛市里，我会提高技术因子的权重；在熊市里，我会更依赖宏观因子。

最后说一句，因子分类不是目的，目的是赚钱。你想想看，如果你能把这四类因子用好，行业配置的成功率至少能提高30%。嗯，这就是我多年实战的经验之谈。

---

公众号:蓝海资料掘金营，微信deep3321