第二章 因子投资理论框架：因子投资的定义、多因子模型与实战要点

各位同学，今天我们来聊聊因子投资的理论框架。说实话，这个框架是我在量化投资路上绕了最多弯子的地方。刚开始做REITs投资时，我总觉得选几个好标的就能赚钱，结果被市场狠狠教育了一顿。后来才明白——没有因子思维，你就是在赌运气。

2.1 因子投资到底是什么？

因子投资，说白了就是找规律。你想想看，为什么有些REITs长期跑赢大盘？为什么某些类型的REITs在特定市场环境下表现特别好？这些背后都有因子在驱动。

我个人的理解是：因子就是能解释资产收益的共同特征。比如规模因子、价值因子、动量因子等等。它们不是玄学，而是有经济学逻辑支撑的。

举个例子。我在2019年做过一个回测，发现美国REITs市场中，小市值REITs长期跑赢大市值REITs约3-5%的年化收益。这就是规模因子在起作用。但要注意，小市值REITs波动也更大，这就是因子暴露带来的风险。

2.2 多因子模型：从CAPM到Fama-French

说到多因子模型，就绕不开Fama-French。这两位大佬在1993年提出了三因子模型，彻底改变了我们对资产收益的理解。

先看CAPM，它说收益只跟市场风险有关。嗯，这个模型太简单了。我在实际项目中用CAPM做REITs定价，发现误差大得离谱。后来才明白，REITs的收益来源远比股票复杂。

Fama-French三因子模型引入了两个额外因子：

• 市场因子（MKT）：市场超额收益
• 规模因子（SMB）：小市值减大市值
• 价值因子（HML）：高账面市值比减低账面市值比

后来Carhart又加了动量因子（MOM），形成了四因子模型。对于REITs来说，我个人习惯再加一个流动性因子，因为REITs的流动性特征跟股票差异很大。

2.3 因子投资的优势

为什么我们要用因子投资？我总结了三个核心优势：

1. 系统性：因子投资不是拍脑袋，而是基于数据和逻辑。我曾经用因子模型筛选REITs，年化收益比随机选高8%。
2. 可解释性：你能说清楚收益来源。比如某只REITs涨了，是因为价值因子暴露还是动量因子？这个很重要。
3. 可复制性：因子策略可以量化、可以回测、可以优化。不像某些主观策略，换个时间段就失效。

2.4 因子投资的风险

别以为因子投资是万能药。我踩过的坑不少，这里说几个典型的：

主要风险包括：

• 因子拥挤：太多人用同一个因子，超额收益会被稀释
• 因子衰减：随着时间推移，因子的预测能力会下降
• 模型风险：因子模型本身可能有缺陷，比如遗漏重要因子
• 数据挖掘偏差：过度拟合历史数据，导致样本外表现差

2.5 知识体系框架图

下面我用一张SVG图来展示本章的核心逻辑。这张图我画了很多遍，最终确定了这个结构：

2.6 实战中的因子选择

说了这么多理论，我们来点实际的。我在REITs因子投资中常用的因子组合：

因子名称	定义	REITs专属指标	我的经验
价值因子	低估值股票跑赢高估值	P/FFO, P/AFFO	用P/FFO比P/B更准
规模因子	小市值跑赢大市值	总市值	注意流动性风险
动量因子	过去涨的继续涨	6个月收益率	小心反转效应
质量因子	高盈利、低杠杆	ROE, 负债率	REITs质量因子很稳定
流动性因子	高流动性跑赢低流动性	日均交易量	REITs流动性差异大

2.7 因子投资的实施步骤

最后，我分享一下因子投资的标准化流程。这个流程我在多个项目中验证过，效果不错：

1. 因子定义：明确因子的经济学逻辑和计算方法
2. 数据准备：清洗数据、处理缺失值、调整异常值
3. 因子测试：做分组回测、IC分析、相关性检验
4. 组合构建：根据因子得分构建多空组合
5. 风险控制：设置止损、控制因子暴露、做压力测试
6. 持续监控：跟踪因子表现、及时调整

嗯，这里要注意一点。因子投资不是一劳永逸的。我每年都会重新审视因子组合，看看哪些因子失效了，哪些新因子值得加入。市场在变，因子也在变。

好了，这一章的内容就到这里。因子投资的理论框架是后面所有实战内容的基础，建议大家多花点时间消化。下一章我们会讲如何用Python实现因子计算，到时候见。

---

公众号:蓝海资料掘金营，微信deep3321