多因子模型入门:把"选股理由"拆成一个个可量化的因子
你有没有跟人争论过”这只票值不值得买”?一个人说它便宜,另一个人说它增长快,还有人说它护城河深。三个理由都对,但吵到最后往往谁也说服不了谁——因为大家嘴上说的都是模糊的形容词,没法放到同一杆秤上称一称。多因子模型要做的事,说穿了很朴素:把”这是一只好股票”这种模糊直觉,拆解成一个个能打分、能验证、能排队的具体标准,再把这些标准按权重拼回一张综合成绩单。它不是什么高深黑科技,更像是把你脑子里那几条”选股理由”,一条条写清楚、量出数、合起来用。
什么是因子
因子,通俗讲就是一个能在统计上解释股票收益差异的可量化特征。它得满足两个条件:一是可以被计算出一个数值,二是这个数值在历史上和股票未来表现之间存在某种可重复的关系。
最经典的几类因子,你多半凭直觉就能猜到:
- 估值因子:衡量”贵不贵”,比如市盈率、市净率、股息率。逻辑是便宜的公司,长期看有更大的回归空间;
- 成长因子:衡量”长得快不快”,比如营收增速、利润增速。逻辑是持续扩张的生意,理应值更高的价钱;
- 质量因子:衡量”底子好不好”,比如净资产收益率、负债水平、盈利的稳定性。逻辑是赚钱能力扎实的公司,更抗得住周期的颠簸;
- 动量因子:衡量”势头强不强”,比如过去半年、一年的涨幅排名。逻辑是趋势有一定的延续性,涨得好的一段时间里还倾向于继续涨;
- 规模因子:衡量”个头大小”,比如总市值。历史上小盘股在某些阶段表现出过超额收益,尽管这条因子近些年争议不小。
这些名字听着专业,但拆开看,其实就是把”便宜""成长快""质量高""势头猛”这几句大白话,分别换算成了一个个可以排序、可以打分的数字。你选股时脑子里那些朴素的判断标准,本质上早就是”因子”了,只是没有量化、没有系统化验证过。
为什么要”多”因子
既然每个因子背后都有一条说得通的逻辑,那为什么不干脆押注一个自己最信的因子,反而要凑一堆一起用?这里有个我见过很多新手栽跟头的地方:单押一个因子,看着简单省心,实际上风险集中得吓人。
任何一个单因子都会有失灵的时候。比如动量因子,在趋势明显的市场里表现不错,但一旦市场进入频繁的反转震荡,追涨的策略会被反复打脸;估值因子长期有效,但遇到某些行业被重新定价、旧的估值锚彻底作废的阶段,便宜的股票可能会一直便宜下去,甚至更便宜。单一因子就像一条腿走路,平地上没问题,一遇上坑就容易摔。
多因子的思路,是让几个逻辑不同、甚至在某些时候会互相”唱反调”的因子搭配着用。价值因子偏爱便宜但可能增长乏力的公司,成长因子偏爱增长快但估值不便宜的公司,两者放在一起,恰好能互相拉扯、互相制衡。某一个因子阶段性失效时,如果其他因子的逻辑依然成立,整体组合受到的冲击就会被分摊、被缓冲,而不是集中在一个点上爆发。这跟”不要把鸡蛋放在一个篮子里”是同一个道理,只不过这里分散的不是股票数量,而是选股的逻辑本身。
怎么组合
有了几个因子,接下来的问题是怎么把它们捏合成一个可执行的策略。这一步不用被公式吓到,核心思路其实分三步走。
第一步是打分。对每一只股票,按每个因子分别算出一个数值,然后在全部候选股票里排个名次或者换算成标准分——比如市净率最低的一批打高分,净资产收益率最高的一批打高分。这一步解决的是”同一把尺子量到底”的问题,让市盈率和净资产收益率这种量纲完全不同的指标,变得可以放在一起比较。
第二步是加权合成。把每只股票在各个因子上的得分,按你设定的权重加总,算出一个综合分数。权重怎么定,取决于你多信任哪个因子、想让组合偏向哪种风格——更看重便宜,估值因子权重就调高一些;更看重稳健,质量因子权重就调高一些。这一步没有标准答案,更像是在调一份配方,不同的配比会做出风格完全不同的组合。
第三步是中性化,这个词听着拗口,但道理不难理解。你担心的是,算出来的高分股票会不会其实只是因为都挤在同一个行业、或者都是超大盘股,而不是因子本身真的选出了好公司。中性化要做的,就是先把”行业偏向""规模偏向”这类干扰项尽量剔除或者调平,让最终的高分更纯粹地反映因子本身的效果,而不是悄悄押中了某个行业的运气。这一步不做,你很容易把”我押对了这个板块的行情”误当成”我的因子模型很厉害”。
三步合起来,就是打分排队、按权重拼分、剔除干扰,一套完整的多因子组合就搭起来了。你不需要精通复杂的数学去理解这套逻辑——它的骨架其实和你手动挑股票时”先看几条标准、心里给每条打个分、再综合权衡一下”的过程,并没有本质区别,只是把”心里权衡”这一步,换成了写清楚的规则和数字。
局限
多因子模型不是免检产品,它有几个必须正视的坑。
第一个坑是因子拥挤。当一个因子被验证有效、被写进教科书、被无数机构同时使用之后,大家都去买同一批”高分股票”,这些股票的价格会被提前抬高,原本的超额收益也就被这股拥挤的资金提前透支甚至抹平了。一个因子越是广为人知,它继续有效的空间往往越窄。
第二个坑是因子失效。市场环境、资金结构、监管规则都在变,曾经稳定有效的因子,可能因为某个宏观阶段的切换而突然表现不佳,持续好几年跑不赢基准。这不是模型出了程序错误,而是它赖以成立的经济逻辑,阶段性地不再适用了。
第三个坑,也是最容易被忽视、却杀伤力最大的一个,是数据挖掘出来的伪因子。如果你手头有足够多的历史数据、足够强的计算能力,几乎总能”挖”出某个指标和过去的收益高度相关——哪怕这个指标背后压根没有任何讲得通的经济逻辑。这种因子在回测报告上可以漂亮得惊人,一放到未来的真实市场里就原形毕露。辨别的笨办法是问自己一句:这个因子为什么应该有效?如果答不出一条像样的道理,只是”历史数据显示它管用”,那这条因子的可信度就要打个大大的问号。
[!pitfall] 只要样本数据攒得够多、尝试的指标够杂,历史里总能挖出几个看起来”神准”的因子——这几乎是数学上的必然,而不是你运气好或者眼光独到。真正的风险在于,这类因子往往经不起换一段历史、换一个市场去检验,它们对应的不是什么真实规律,只是过去那段特定数据里的巧合噪音,一进真实交易就现出原形。判断一个因子靠不靠谱,先问它背后有没有讲得通的逻辑,而不是先看它的历史回测曲线有多漂亮。
小结
多因子模型的核心,就是把”这是一只好股票”这句模糊判断,拆解成估值、成长、质量、动量等几个可以量化打分的维度,再通过打分、加权、中性化这几步,把它们重新拼合成一套可执行、可检验的选股规则。用多个逻辑不同的因子相互搭配,能在某个因子阶段性失灵时分摊冲击,这是它比押注单一因子更稳妥的地方。但它同样有真实的局限:因子会因为太多人使用而拥挤失效,也会因为市场环境变化而阶段性失灵,更要警惕那些单靠历史数据硬挖出来、却说不出经济逻辑的伪因子。如果你想继续往下看具体有哪些经典因子经受住了长期检验,可以接着读经典因子盘点;如果想回到量化这条支线的全貌,可以回到L5 阶段导航重新梳理一遍脉络。
本文仅为投资教育科普,不构成任何投资建议。因子投资同样存在阶段性失效、拥挤交易等风险,投资有风险,决策需谨慎。