第3章量化投资基础

3、量化投资基础：因子投资理论、Alpha与Beta的分离、多因子模型简介

各位同学，今天我们来聊聊量化投资最核心的底层逻辑——因子投资。说实话，我做了这么多年量化，见过太多人一上来就搞机器学习、神经网络，结果亏得一塌糊涂。为什么？因为连最基础的因子逻辑都没搞明白。

因子投资，说白了就是找规律。股票为什么涨？为什么跌？背后一定有原因。这个原因，就是因子。

因子投资不是什么新鲜事。我刚开始做交易那会儿，老交易员会告诉我：「小盘股弹性大，估值低的股票更安全。」这些话听着像玄学，但背后其实就是因子逻辑。

因子投资的核心思想很简单：股票的收益可以被一系列共同因素解释。这些因素，就是因子。

因子的定义：因子是能够解释资产收益率的共同特征或风险来源。一个好的因子，必须满足三个条件：

我在2015年做过一个回测，发现单纯用「低市盈率」选股，在A股市场年化超额收益能达到8%以上。但后来2017年风格切换，这个策略就失效了。嗯，这里要注意：因子不是永恒的，它会失效，会轮动。

为什么要把Alpha和Beta分开？我举个例子你就明白了。

假设你买了一只基金，一年赚了20%。你觉得是基金经理厉害吗？不一定。如果同期大盘涨了15%，那基金经理只贡献了5%的超额收益。这5%就是Alpha，那15%就是Beta。

用公式表达就是：

R_p = R_f + β × (R_m - R_f) + α + ε

其中：

我的经验：做量化投资，第一件事就是把Alpha和Beta分开。Beta是你可以用指数ETF低成本获取的，Alpha才是你真正的价值所在。我曾经见过一个团队，花了三年时间开发策略，最后发现收益全是Beta贡献的——说白了就是买了指数，白忙活一场。

为什么会这样？因为很多人在做因子分析时，没有做「风险调整」。你想想看，如果你选的股票全是高Beta的，那牛市来了你当然赚钱，但这不是你的本事，是市场在帮你。

单因子模型有个致命问题：它假设所有股票的收益只受一个因素影响。这显然不现实。你想想看，一只银行股和一只科技股，它们的驱动因素能一样吗？

所以就有了多因子模型。最经典的，就是Fama-French三因子模型。

1992年，Fama和French两位大神发表了一篇论文，提出了三因子模型。他们发现，除了市场因子，还有两个因子能显著解释股票收益：

模型公式：

R_i - R_f = α + β_mkt × (R_m - R_f) + β_smb × SMB + β_hml × HML + ε

我在2018年用这个模型做过A股的回测，发现规模因子在A股特别有效。小盘股的超额收益非常明显，但波动也大。说白了，这就是「小而美」和「大而稳」的取舍。

避坑指南：我曾经犯过一个错误——直接用美股的三因子数据套用到A股。结果发现价值因子在A股几乎无效。为什么？因为A股的估值体系跟美股完全不同，散户占比高，投机性强。所以，因子不是通用的，一定要做本土化验证。

2015年，Fama和French又加了两个因子，变成了五因子模型：

五因子模型比三因子模型解释力更强，但也不是万能的。我个人习惯是：先用三因子做快速筛选，再用五因子做精细分析。毕竟，因子越多，过拟合的风险也越大。

下面这张图，是我自己整理的多因子投资知识框架。你把它记牢了，后面所有内容都是在这个框架上延伸的。

最后，分享几个我在实战中的体会：

一个小技巧：做因子分析时，先把所有因子做相关性检验。如果两个因子相关性超过0.7，就只保留一个。不然你的模型会「多重共线性」，结果根本不可信。我曾经在这个坑里栽过跟头，后来学乖了。

好了，这一章的内容就到这里。因子投资是量化投资的基石，后面的章节我们会在这个基础上，一步步搭建完整的量化投资体系。