因子投資：方法與實踐

一本關於因子投資的入門書，充滿滿滿的學院派氣息，很硬核也很數學，讀起來有一種學術論文般的嚴謹，幾十頁的參考資料羅列，也可以證明這點。 這是一本關於因子投資的好書，因子投資作爲量化交易的基礎，構建了很多數學模型，思路優美，公式過硬。 ……但是，對於真正在二級市場交易實操，靠這一套理論和模型，只能取得差強人意的阿爾法，即使這，也好要看市場的臉色，以及操作者的不犯錯誤，當然了，實操中沒有操作者是不犯錯誤的。這也是爲什麼學院派的量化交易專家 ，雖然號稱學富五車，依然默默無聞。可能有人說，不是有文藝復興、AQR和德韶資本嗎？……是的，但據我所知，他們現在的方法已經不是用這種基於EMH和CAPM爲基礎的模型，他們的數學模型都是基於更加簡單和有效的統計學基礎，並非基於異象和因子，這是寬客們之所以牛逼的原因，也是長期資本管理公司之所以破產的原因。 量化投資是美的，但問題出在有效市場假說，和基於這一假說之上的異象和因子。畢竟拿着舊世界的地圖，我們無法在新世界裏遨遊。學院派們一天不超越EMH有效市場假說和MPT現代投資組合理論，他們就永遠不會在實戰中站到前列，當然了，這不影響他們寫出漂亮的論文，甚至運氣好還可以拿到諾貝爾經濟學獎，也不影響他們拿高額的教授工資和獎金。 市場是適應性的。如果我們有些複雜性理論的基礎，有點進化論的概念，再加上真的在市場上真刀真槍的幹過，而不是面對着過去的數據做馬後炮的分析，如果運氣好，恰巧讀過羅聞全教授的《適應性市場》和布萊恩.阿瑟的《複雜經濟學》，我們就會知道，適應性市場假說是遠比有效市場假說更加有解釋力，更符合市場現實的解釋系統。我們就應該把EMH和MPT、隨機漫步和CAPM扔到垃圾桶裏，當然依附在這個系統上的異象和因子都可以扔掉了，如果你跟我一樣，脾氣不好，你會有幻滅感，一怒之下把自己的大學的金融學教材一股腦兒燒掉，也有可能…… 奧卡姆的威廉說：若無必要，勿增實體。因子投資和異象分析太複雜了，儘管用到的數學分析公式完美邏輯清晰。一般來說，複雜的東西總是錯的。 要想持續穩定地盈利，在金融市場以交易爲生，量化交易是最好的方法，沒有之一，“因爲數學,所以相信.in math we trust”，但前提是，扔掉因子投資和EMH爲基礎的理論。 交易不過是一個概率遊戲，要在一個遊戲中成爲贏家，我們必須正確地認識市場和客觀地認知自己。市場是一個適應性的進化着的動態過程，任何經驗法則都有可能失效，沒有萬無一失的因果邏輯，只有不確定性。同時，在交易中我們不是一個客觀的決策者。基因和文化把我們塑造成了生存的王者，也讓我們充滿主觀和偏見、臆斷和情緒。我們要想在這樣的遊戲中獲勝，就要避免自己的這些決策缺陷。 一個科學的量化交易系統大致涵蓋如下部分：①用統計學的方法確定頭寸規模，避免破產風險；②只關注價格變化，用概率論的方法爲價格變化建模，創建科學的交易策略；③遵循心理學的法則，正確地貫徹執行交易策略；④不斷覆盤，以改善交易策略，以使它更適合市場和自己的交易風格；同時提高自己的執行能力，以提高勝率。在交易時時刻處於心流狀態，讓經驗和盤感，也就是潛意識成爲我們決策的一部分。 概率統領，科學下注，系統決策，長期思維，久賭必贏。這就是拋開EMH的真正科學的量化交易。

《因子投資》——市場的解剖學 這本書就是一張“股市體檢單”，講的是市場身上的血壓、血脂、精神和體重。 “你想哪裏好，就多練練這個，少動那個。”基金經理就是靠這套“解剖學”，在日線、周線、月線上做宏觀調理，選股配置。 這不是給散戶做日內高頻的書，這是基金經理和大資金操作的。它不教你扣扳機，它只教你“看體質”。 治病要治本，選股看基因。宏觀調理（因子），微觀搬磚（高頻）。

因子擁擠是因子收益下降的原因之一。因子代表着市場某方面的非有效性、或者是一段時期內的定價失效。當某類因子收益高的時候，會吸引更多的資金進入，從而出現因子擁擠，降低因子的預期收益。一旦新的因子被公開，套利資金的介入會使得錯誤定價收窄，因子收益也會跟着下降。因此，在多因子選股模型中，因子的開發和更新迭代變得越來越重要。 以傳統日頻價量和更低頻財務數據爲基礎的因子開發是一種研究途徑。由於基礎因子廣爲人知，在此基礎上進行因子挖掘的收益提升空間相對有限。而且日頻數據由於本身的數據量和信息量有限，過度挖掘會增大過擬合的風險。 以高頻價量數據爲基礎的因子開發在當下具有更大的收益提升空間。與低頻因子相比，高頻數據在用於量化投資中存在一定優勢。

因子建模不是萬能的，所謂好的模型決定係數有個0.5就算優秀了，可到理財經理叫你投錢的時候，可知與未知比1:1，與拋硬幣無異，還不如自己瞎搞；可是超過0.7卻又擔心過度擬合，到樣本外就見光死。 經濟學家也好金融學家也罷，前赴後繼地研究證實資產價格長期會迴歸價值，因此價格是可預測的，但問題是長期是多長？凱恩斯說，從長期來看，我們都死了。 所以說擇時很重要，擇時關鍵在於分析價格行爲和基於價格的技術分析指標，《The Man Who Solved the Market》有講到，西蒙斯大獎章基金大多數倉位是基於價格信號入場，持倉時間最多兩週，最短只有一秒。至於入場邏輯歸因，有些能歸出來，大多數是不能的，但是會一直用直到失效。 對於普通的個人投資者而言，因子建模很難，沒有實操性。但是基於因子建模邏輯的選股方式是可以很高效的，比如根據不超過四個財務指標來排序選股，你可以很快篩選出心儀的投資白名單。另外，分析不同因子資產走勢的聚與離的背後邏輯可以更好地理解市場，比如煤炭主題和電力主題的ETF與芯片主題ETF一起共振走強，說明固定資產投資在大力投向於興建數據中心。 本書不僅講解了關於因子的一切，還包羅了投資的萬象，非入門級，是一本好書，並非因爲它知可爲，而是貴在其知不可爲。

在CAPM（資本資產定價模型）裏，我們關心的是“某隻資產長期平均能帶來多少超出無風險利率的收益”。 ​​ 公式結構​​ CAPM給出的是一條一元線性模型： E[Ri] − Rf = βi × (E[RM] − Rf)。 • E[Ri]：資產i的期望收益率。 • Rf：無風險收益率（比如國債利率）。 • E[RM]：市場組合的期望收益率。 • βi：資產i對市場風險的暴露程度，也叫貝塔係數。 ​​ 各符號的意義​​ • 左邊 E[Ri] − Rf：資產i的“超額收益”——也就是比無風險利率高多少。 • 右邊 βi × (E[RM] − Rf)：用市場組合的平均超額收益 E[RM] − Rf 乘以 βi。 – 當 βi = 1 時，資產的期望超額收益正好等於市場組合的平均超額收益； – 當 βi < 1 時，資產對市場波動不那麼敏感，期望超額收益也更低； – 當 βi > 1 時，資產更“放大”市場波動，期望超額收益更高。 ​​ 爲什麼是一條直線​​ 把 E[Ri] − Rf 作爲縱軸、βi 作爲橫軸，上式就是一條經過原點的直線： • 斜率正好是 E[RM] − Rf，被稱爲“市場風險溢價”。 • 截距爲 0，意味着如果一隻資產完全不跟隨市場（βi=0），它也不應獲得額外收益。 ​​ 經濟含義​​ • 市場只對“系統性風險”——也就是無法被分散的市場風險——給予補償。 • 投資者通過持有市場組合並按 βi 大小調節風險暴露，就能得到公式所示的線性關係。 • 換句話說，CAPM用一條簡單的直線把“風險（βi）”與“期望超額收益”聯繫起來，爲資產定價和績效評估提供了基準。 ​​總結​​：公式 E[Ri] − Rf = βi × (E[RM] − Rf) 實際上是在說 —— 一隻資產的平均超額收益等於它對市場風險的敏感度 βi 乘以市場整體的平均超額收益。 把它畫在座標系裏，就是一條從原點出發、斜率爲 (E[RM] − Rf) 的直線，這正是CAPM模型的核心圖形—— 證券市場線（SML）。

本書系統化地介紹了因子投資的主要內容，這在國內書籍中是非常少見的。   本書的寫作質量很高，但大多數人可能都難以完全讀懂書中內容，我也不例外。不過，這絲毫不妨礙我對該書的推薦。我覺得，對於一本好書，即使無法完全看懂，僅其能看懂的部分就值得我們去閱讀了。 ​ ​。。。。。   閱讀本書後，作爲一名散戶，我會不會採用因子投資的方式呢？   不會。因爲這種方法不適合散戶，至少我個人是這樣認爲的。 ​   舉個簡單的例子——利用價值因子投資。   假設我們用PE和PB來代表價值因子，將A股所有股票按PE和PB的高低分爲10組。實證結果顯示，低PE、PB組的收益明顯高於高PE、PB組。   可是，A股已經有4700只左右的股票了（截至20220618），就算優化掉一些諸如st股的“垃圾”，最少也有4000個標的吧（而且還在不斷增加）。分爲10組，每組有400個標的。讓散戶將資金平均分配到400只股票上，可能嗎？     那散戶能不能通過購買因子量化基金的方式來進行成功的投資呢？   自己的錢自己做主，當然可以投，但我不會這樣做。   爲什麼？因爲這樣做和購買其它主動型基金有區別嗎？   統計數據顯示，A股主動型基金的複合收益率僅略高於指數基金，而這是建立在A股散戶實在太“韭菜”的基礎上的。隨着市場的逐步成熟和基金力量的日益壯大，A股最終將實現去散戶化（就像現在的美股市場）。那時候，作爲一個整體，收取高額費用的主動型基金（包括量化基金）和僅收取少許費用的指數型基金相比，劣勢明顯吧？     有股友可能會說，這麼多不同類型的主動型基金，只要我努力研究，總會選到其中的佼佼者的。那我反問一句：“作爲散戶，自己投資時都選不到好公司做不到長期持有，爲什麼就那麼自信能選到好基金還能拿住呢？”   看看西蒙斯的大獎章基金，牛上天了吧？可牛的其實是他的內部基金，開放給所有投資者的外部基金，業績實在不咋樣，和內部基金相比簡直是天壤之別。   總結：我不搞因子投資，但我從這本書中學到了很多好的投資理念，我會用這些理念去豐富我的價值投資策略。

1. 發現了什麼問題？ 市場非有效：傳統理論認爲市場是理性的，但書中指出市場存在大量“異象”（Anomalies），比如低估值股票長期跑贏高估值股票（價值因子），或者過去漲得好的股票未來還會漲（動量因子）。 數據陷阱：很多所謂的“規律”其實是數據挖掘的巧合，在實盤中一用就失效。 2. 解決了什麼問題？ 去僞存真：提供了嚴格的統計檢驗方法（如t值、p值），幫你篩掉那些“看起來很美”的假因子。 實戰落地：不僅講理論，還給出了具體的因子構建方法、回測流程和風險控制手段，讓你能親手復現策略。 3. 核心邏輯是什麼？ “因子是風險補償”。書裏認爲，因子之所以能賺錢，是因爲它代表了某種“風險”。比如價值因子，買便宜股票之所以能賺錢，是因爲這些公司可能經營困難（風險高），所以市場要求更高的回報來補償你承擔的風險。 4. 邏輯漏洞是什麼？ 倖存者偏差：書中的結論大多基於歷史數據回測。但歷史不代表未來，很多因子在特定時期（如金融危機）會突然失效。 因子擁擠：當所有人都知道某個因子能賺錢，資金一擁而上，這個因子的超額收益就會被“攤薄”甚至消失。 數據前視：在構建因子時，如果無意中使用了未來的數據（比如用當天的最高價計算信號），回測結果會非常漂亮，但實盤根本無法實現。 一句話總結：這本書是量化投資的“武功祕籍”，教你如何用數學和統計去發現市場的BUG。但祕籍再好，也要看練功的人能不能避開“走火入魔”的風險（過擬合、因子失效）。

資本資產定價模型（Capital Asset Pricing Model，簡稱CAPM）是現代金融理論中一個非常重要的模型，用於描述資產預期收益率與風險之間的關係。它由威廉·夏普（William Sharpe）、約翰·林特納（John Lintner）和簡·莫辛（Jan Mossin）等人在20世紀60年代獨立提出，並因此獲得了諾貝爾經濟學獎。 1.CAPM的基本原理 CAPM假設在一個理想化的金融市場中，投資者是理性的，追求效用最大化，並且市場是有效的。該模型的核心思想是：資產的預期收益率與其系統性風險（無法通過分散化投資消除的風險）成正比。具體來說，CAPM認爲資產的預期收益率由兩部分組成： • 無風險收益率（Rf）：這是投資者可以無風險地獲得的收益率，通常以國債收益率作爲近似值。 • 風險溢價：這是投資者因承擔額外風險而要求的補償，與資產的系統性風險（用貝塔係數β表示）成正比。 2.CAPM的公式 CAPM的數學表達式爲： E[Ri]=Rf+βi（E[Rm]-Rf） E[Ri]-Rf=βi（E[Rm]-Rf） 其中： • E[Ri]是資產 i 的預期收益率。 • Rf 是無風險收益率。 • βi 是資產 i 的貝塔係數，表示資產相對於市場組合的系統性風險。 • E[Rm]是市場組合的預期收益率。 • （E[Rm]-Rf）是市場風險溢價，即市場組合的預期收益率與無風險收益率的差值。 3.貝塔係數（β） 貝塔係數是CAPM中的關鍵變量，用於衡量資產相對於市場組合的系統性風險。其計算公式爲： βi=Cov（Ri, Rm）/ Var（Rm） 其中： • Cov（Ri, Rm） 是資產 i 收益率與市場組合收益率的協方差。 • Var（Rm）是市場組合收益率的方差。 貝塔係數的意義： • β=1：資產的系統性風險與市場組合相同。 • β>1：資產的系統性風險高於市場組合，是高風險資產。 • β<1：資產的系統性風險低於市場組合，是低風險資產。 • β<0：資產與市場組合呈反向變動，較爲罕見。 4.CAPM的應用 CAPM在金融領域有廣泛的應用，主要包括： • 資產定價：通過CAPM可以估算資產的合理預期收益率，判斷資產是否被高估或低估。 • 投資組合構建：投資者可以根據CAPM選擇不同貝塔係數的資產，構建符合風險偏好的投資組合。 • 資本成本估算：在公司財務中，CAPM可以用於估算股權資本成本，進而計算加權平均資本成本（WACC）。 5.CAPM的侷限性 儘管CAPM是一個重要的理論模型，但它也存在一些侷限性： • 假設條件過於理想化：CAPM假設市場是完全有效的，投資者是理性的，不存在交易成本和稅收，這些假設在現實中很難完全成立。 • 貝塔係數的侷限性：貝塔係數只衡量了系統性風險，而忽略了非系統性風險。此外，貝塔係數的估計需要大量的歷史數據，且可能隨時間變化。 • 市場組合的不確定性：CAPM假設存在一個市場組合，但現實中很難準確確定市場組合的構成。 • 無法解釋異常現象：CAPM無法解釋一些市場異常現象，如小盤股溢價、價值股溢價等。 6.總結 CAPM是一個具有里程碑意義的金融模型，它爲資產定價和投資決策提供了重要的理論基礎。儘管存在一些侷限性，但在實際應用中，CAPM仍然是金融分析和投資管理中不可或缺的工具。

目前的主要方向以多因子策略爲主要方向。根據數據分析： A股目前主要的定價應以FF3因子爲基礎加入成長因子爲定價模型爲宜。即：市場、規模（市值）、價值（BM）+ 成長（ROE TTM）。以下是根據多因子分析計算方法論，計算的2012.1-2021.9的多因子中三因子分別的累計收益曲線。 可以很明顯的看到： a. HML，即高BM（低PB）即常規認知中的便宜的個股分組與低BM（高PB）即常規認知中的貴的個股分組差額收益，從長期來看有極強的估值陷阱問題。即便宜的收益很差，“貴”的收益長期卻高於“便宜”的，導致了分組差額收益爲負值。需要說明的是，由於多因子分析計算方法論，是獨立雙重排序爲基礎的，所以很大程度上排除了其他因子的影響。所以這裏得出的結論是單純購買“便宜”的股票而不考慮其他因子的結論。這與老巴說的，在便宜的時候買入優質的公司並不衝突。 b. SMB，即小市值股票與大市值股票分組收益差，以觀察市場中小市值效應的情況。可以明顯的看到SMB與盈利因子的定價能力在2017年1季度以前可以說旗鼓相當，可以認爲價值投資策略並不能明顯戰勝小市值策略。但在2017一季度後市場發生了定價策略底層邏輯本質變化，成長性盈利性一騎絕塵，幾乎成爲唯一的權重定價因子。這也是衆所周知2017年後，大量策略失效的本質原因。 c. RMW，即成長性、盈利性優秀分組和成長性、盈利性較弱分組之間的收益差額。與上述表述類似，盈利因子主導目前市場，是需要長期堅持的投資策略。最近鋼鐵、煤炭等資源類股，本身不具備成長性，由其爲主發動的不是主流因子引起的收益，市場中總是喜歡說風格切換了之類的來談論市場，這不禁讓人更加疑惑而無從下手分析市場的本質。傳統資源股發動的行情，我的理解就是，HML因子的短期反彈。我們需要用多因子分析的統一方法論和視角去看待市場的本質。並堅持自己的投資風格不動搖。我是堅決沒有參與的。 在經歷了2015年市場大奔潰的時代後，市場進入了新的階段，成長性、盈利性成爲主基調。這也是A股長期走向成熟市場的一個重要基本標誌。另一方面，就因子本身而言，具有周期性的特徵。這也凸顯了多因子分析和因子監控的重要性。

超硬核的一本書。 面對越來越多牛人大佬總結出來的因子，到底該選用哪些？同時，哪些因子組合在一起的收益率更高，風險更小？ 繞不開的微積分，當年上學的時候總以爲以後用不上，60分萬歲了。現在只能一臉蒙圈跳過。 讀了個一知半解，等我再學一點新知識回來，說不定就可以看懂更多內容了。 市場中有成千上萬種資產。爲了簡化思維，投資者會把它們分類，比如把股票按風格分成價值股、成長股、高質量股、小市值股等。如此分類讓投資者在判斷這些資產時，更多考慮它們所處的類別，而非每種資產本身的基本面，這造成了同類資產中顯著的共同運動。而對不同風格股票的外推造成了不同風格股票的波動，這便形成了風格因子之間漲跌的差異。 由於曝光導致錯誤定價減弱、因子擁擠以及交易成本等原因，因子樣本外表現變差是因子投資中必須面對的問題。這也催生了業界對因子擇時的極大興趣，並嘗試使用各種手段持續挖新的因子（新的因子意味着曝光少、擁擠度低）。 根據經驗，有三類股票應該給予考慮，它們是：從量價交易特徵上看，具有高短期動量、高換手率和高波動的股票（即投機股）；從公司基本面上來看，估值高而盈利差的股票（即低性價比股）；從事件驅動角度看，發生持續負向風險事件（如股東減持和財務造假等）的股票。 如果以獲取高收益爲目的，那麼應該選擇進攻型的基金，如小市值和高成長的；如果想要降低組合波動，可以選擇防禦類型的因子，如低波動和高質量的。