因子投资：方法与实践

一本关于因子投资的入门书，充满满满的学院派气息，很硬核也很数学，读起来有一种学术论文般的严谨，几十页的参考资料罗列，也可以证明这点。 这是一本关于因子投资的好书，因子投资作为量化交易的基础，构建了很多数学模型，思路优美，公式过硬。 ……但是，对于真正在二级市场交易实操，靠这一套理论和模型，只能取得差强人意的阿尔法，即使这，也好要看市场的脸色，以及操作者的不犯错误，当然了，实操中没有操作者是不犯错误的。这也是为什么学院派的量化交易专家 ，虽然号称学富五车，依然默默无闻。可能有人说，不是有文艺复兴、AQR和德韶资本吗？……是的，但据我所知，他们现在的方法已经不是用这种基于EMH和CAPM为基础的模型，他们的数学模型都是基于更加简单和有效的统计学基础，并非基于异象和因子，这是宽客们之所以牛逼的原因，也是长期资本管理公司之所以破产的原因。 量化投资是美的，但问题出在有效市场假说，和基于这一假说之上的异象和因子。毕竟拿着旧世界的地图，我们无法在新世界里遨游。学院派们一天不超越EMH有效市场假说和MPT现代投资组合理论，他们就永远不会在实战中站到前列，当然了，这不影响他们写出漂亮的论文，甚至运气好还可以拿到诺贝尔经济学奖，也不影响他们拿高额的教授工资和奖金。 市场是适应性的。如果我们有些复杂性理论的基础，有点进化论的概念，再加上真的在市场上真刀真枪的干过，而不是面对着过去的数据做马后炮的分析，如果运气好，恰巧读过罗闻全教授的《适应性市场》和布莱恩.阿瑟的《复杂经济学》，我们就会知道，适应性市场假说是远比有效市场假说更加有解释力，更符合市场现实的解释系统。我们就应该把EMH和MPT、随机漫步和CAPM扔到垃圾桶里，当然依附在这个系统上的异象和因子都可以扔掉了，如果你跟我一样，脾气不好，你会有幻灭感，一怒之下把自己的大学的金融学教材一股脑儿烧掉，也有可能…… 奥卡姆的威廉说：若无必要，勿增实体。因子投资和异象分析太复杂了，尽管用到的数学分析公式完美逻辑清晰。一般来说，复杂的东西总是错的。 要想持续稳定地盈利，在金融市场以交易为生，量化交易是最好的方法，没有之一，“因为数学,所以相信.in math we trust”，但前提是，扔掉因子投资和EMH为基础的理论。 交易不过是一个概率游戏，要在一个游戏中成为赢家，我们必须正确地认识市场和客观地认知自己。市场是一个适应性的进化着的动态过程，任何经验法则都有可能失效，没有万无一失的因果逻辑，只有不确定性。同时，在交易中我们不是一个客观的决策者。基因和文化把我们塑造成了生存的王者，也让我们充满主观和偏见、臆断和情绪。我们要想在这样的游戏中获胜，就要避免自己的这些决策缺陷。 一个科学的量化交易系统大致涵盖如下部分：①用统计学的方法确定头寸规模，避免破产风险；②只关注价格变化，用概率论的方法为价格变化建模，创建科学的交易策略；③遵循心理学的法则，正确地贯彻执行交易策略；④不断复盘，以改善交易策略，以使它更适合市场和自己的交易风格；同时提高自己的执行能力，以提高胜率。在交易时时刻处于心流状态，让经验和盘感，也就是潜意识成为我们决策的一部分。 概率统领，科学下注，系统决策，长期思维，久赌必赢。这就是抛开EMH的真正科学的量化交易。

《因子投资》——市场的解剖学 这本书就是一张“股市体检单”，讲的是市场身上的血压、血脂、精神和体重。 “你想哪里好，就多练练这个，少动那个。”基金经理就是靠这套“解剖学”，在日线、周线、月线上做宏观调理，选股配置。 这不是给散户做日内高频的书，这是基金经理和大资金操作的。它不教你扣扳机，它只教你“看体质”。 治病要治本，选股看基因。宏观调理（因子），微观搬砖（高频）。

因子拥挤是因子收益下降的原因之一。因子代表着市场某方面的非有效性、或者是一段时期内的定价失效。当某类因子收益高的时候，会吸引更多的资金进入，从而出现因子拥挤，降低因子的预期收益。一旦新的因子被公开，套利资金的介入会使得错误定价收窄，因子收益也会跟着下降。因此，在多因子选股模型中，因子的开发和更新迭代变得越来越重要。 以传统日频价量和更低频财务数据为基础的因子开发是一种研究途径。由于基础因子广为人知，在此基础上进行因子挖掘的收益提升空间相对有限。而且日频数据由于本身的数据量和信息量有限，过度挖掘会增大过拟合的风险。 以高频价量数据为基础的因子开发在当下具有更大的收益提升空间。与低频因子相比，高频数据在用于量化投资中存在一定优势。

因子建模不是万能的，所谓好的模型决定系数有个0.5就算优秀了，可到理财经理叫你投钱的时候，可知与未知比1:1，与抛硬币无异，还不如自己瞎搞；可是超过0.7却又担心过度拟合，到样本外就见光死。 经济学家也好金融学家也罢，前赴后继地研究证实资产价格长期会回归价值，因此价格是可预测的，但问题是长期是多长？凯恩斯说，从长期来看，我们都死了。 所以说择时很重要，择时关键在于分析价格行为和基于价格的技术分析指标，《The Man Who Solved the Market》有讲到，西蒙斯大奖章基金大多数仓位是基于价格信号入场，持仓时间最多两周，最短只有一秒。至于入场逻辑归因，有些能归出来，大多数是不能的，但是会一直用直到失效。 对于普通的个人投资者而言，因子建模很难，没有实操性。但是基于因子建模逻辑的选股方式是可以很高效的，比如根据不超过四个财务指标来排序选股，你可以很快筛选出心仪的投资白名单。另外，分析不同因子资产走势的聚与离的背后逻辑可以更好地理解市场，比如煤炭主题和电力主题的ETF与芯片主题ETF一起共振走强，说明固定资产投资在大力投向于兴建数据中心。 本书不仅讲解了关于因子的一切，还包罗了投资的万象，非入门级，是一本好书，并非因为它知可为，而是贵在其知不可为。

在CAPM（资本资产定价模型）里，我们关心的是“某只资产长期平均能带来多少超出无风险利率的收益”。 ​​ 公式结构​​ CAPM给出的是一条一元线性模型： E[Ri] − Rf = βi × (E[RM] − Rf)。 • E[Ri]：资产i的期望收益率。 • Rf：无风险收益率（比如国债利率）。 • E[RM]：市场组合的期望收益率。 • βi：资产i对市场风险的暴露程度，也叫贝塔系数。 ​​ 各符号的意义​​ • 左边 E[Ri] − Rf：资产i的“超额收益”——也就是比无风险利率高多少。 • 右边 βi × (E[RM] − Rf)：用市场组合的平均超额收益 E[RM] − Rf 乘以 βi。 – 当 βi = 1 时，资产的期望超额收益正好等于市场组合的平均超额收益； – 当 βi < 1 时，资产对市场波动不那么敏感，期望超额收益也更低； – 当 βi > 1 时，资产更“放大”市场波动，期望超额收益更高。 ​​ 为什么是一条直线​​ 把 E[Ri] − Rf 作为纵轴、βi 作为横轴，上式就是一条经过原点的直线： • 斜率正好是 E[RM] − Rf，被称为“市场风险溢价”。 • 截距为 0，意味着如果一只资产完全不跟随市场（βi=0），它也不应获得额外收益。 ​​ 经济含义​​ • 市场只对“系统性风险”——也就是无法被分散的市场风险——给予补偿。 • 投资者通过持有市场组合并按 βi 大小调节风险暴露，就能得到公式所示的线性关系。 • 换句话说，CAPM用一条简单的直线把“风险（βi）”与“期望超额收益”联系起来，为资产定价和绩效评估提供了基准。 ​​总结​​：公式 E[Ri] − Rf = βi × (E[RM] − Rf) 实际上是在说 —— 一只资产的平均超额收益等于它对市场风险的敏感度 βi 乘以市场整体的平均超额收益。 把它画在坐标系里，就是一条从原点出发、斜率为 (E[RM] − Rf) 的直线，这正是CAPM模型的核心图形—— 证券市场线（SML）。

本书系统化地介绍了因子投资的主要内容，这在国内书籍中是非常少见的。   本书的写作质量很高，但大多数人可能都难以完全读懂书中内容，我也不例外。不过，这丝毫不妨碍我对该书的推荐。我觉得，对于一本好书，即使无法完全看懂，仅其能看懂的部分就值得我们去阅读了。 ​ ​。。。。。   阅读本书后，作为一名散户，我会不会采用因子投资的方式呢？   不会。因为这种方法不适合散户，至少我个人是这样认为的。 ​   举个简单的例子——利用价值因子投资。   假设我们用PE和PB来代表价值因子，将A股所有股票按PE和PB的高低分为10组。实证结果显示，低PE、PB组的收益明显高于高PE、PB组。   可是，A股已经有4700只左右的股票了（截至20220618），就算优化掉一些诸如st股的“垃圾”，最少也有4000个标的吧（而且还在不断增加）。分为10组，每组有400个标的。让散户将资金平均分配到400只股票上，可能吗？     那散户能不能通过购买因子量化基金的方式来进行成功的投资呢？   自己的钱自己做主，当然可以投，但我不会这样做。   为什么？因为这样做和购买其它主动型基金有区别吗？   统计数据显示，A股主动型基金的复合收益率仅略高于指数基金，而这是建立在A股散户实在太“韭菜”的基础上的。随着市场的逐步成熟和基金力量的日益壮大，A股最终将实现去散户化（就像现在的美股市场）。那时候，作为一个整体，收取高额费用的主动型基金（包括量化基金）和仅收取少许费用的指数型基金相比，劣势明显吧？     有股友可能会说，这么多不同类型的主动型基金，只要我努力研究，总会选到其中的佼佼者的。那我反问一句：“作为散户，自己投资时都选不到好公司做不到长期持有，为什么就那么自信能选到好基金还能拿住呢？”   看看西蒙斯的大奖章基金，牛上天了吧？可牛的其实是他的内部基金，开放给所有投资者的外部基金，业绩实在不咋样，和内部基金相比简直是天壤之别。   总结：我不搞因子投资，但我从这本书中学到了很多好的投资理念，我会用这些理念去丰富我的价值投资策略。

1. 发现了什么问题？ 市场非有效：传统理论认为市场是理性的，但书中指出市场存在大量“异象”（Anomalies），比如低估值股票长期跑赢高估值股票（价值因子），或者过去涨得好的股票未来还会涨（动量因子）。 数据陷阱：很多所谓的“规律”其实是数据挖掘的巧合，在实盘中一用就失效。 2. 解决了什么问题？ 去伪存真：提供了严格的统计检验方法（如t值、p值），帮你筛掉那些“看起来很美”的假因子。 实战落地：不仅讲理论，还给出了具体的因子构建方法、回测流程和风险控制手段，让你能亲手复现策略。 3. 核心逻辑是什么？ “因子是风险补偿”。书里认为，因子之所以能赚钱，是因为它代表了某种“风险”。比如价值因子，买便宜股票之所以能赚钱，是因为这些公司可能经营困难（风险高），所以市场要求更高的回报来补偿你承担的风险。 4. 逻辑漏洞是什么？ 幸存者偏差：书中的结论大多基于历史数据回测。但历史不代表未来，很多因子在特定时期（如金融危机）会突然失效。 因子拥挤：当所有人都知道某个因子能赚钱，资金一拥而上，这个因子的超额收益就会被“摊薄”甚至消失。 数据前视：在构建因子时，如果无意中使用了未来的数据（比如用当天的最高价计算信号），回测结果会非常漂亮，但实盘根本无法实现。 一句话总结：这本书是量化投资的“武功秘籍”，教你如何用数学和统计去发现市场的BUG。但秘籍再好，也要看练功的人能不能避开“走火入魔”的风险（过拟合、因子失效）。

资本资产定价模型（Capital Asset Pricing Model，简称CAPM）是现代金融理论中一个非常重要的模型，用于描述资产预期收益率与风险之间的关系。它由威廉·夏普（William Sharpe）、约翰·林特纳（John Lintner）和简·莫辛（Jan Mossin）等人在20世纪60年代独立提出，并因此获得了诺贝尔经济学奖。 1.CAPM的基本原理 CAPM假设在一个理想化的金融市场中，投资者是理性的，追求效用最大化，并且市场是有效的。该模型的核心思想是：资产的预期收益率与其系统性风险（无法通过分散化投资消除的风险）成正比。具体来说，CAPM认为资产的预期收益率由两部分组成： • 无风险收益率（Rf）：这是投资者可以无风险地获得的收益率，通常以国债收益率作为近似值。 • 风险溢价：这是投资者因承担额外风险而要求的补偿，与资产的系统性风险（用贝塔系数β表示）成正比。 2.CAPM的公式 CAPM的数学表达式为： E[Ri]=Rf+βi（E[Rm]-Rf） E[Ri]-Rf=βi（E[Rm]-Rf） 其中： • E[Ri]是资产 i 的预期收益率。 • Rf 是无风险收益率。 • βi 是资产 i 的贝塔系数，表示资产相对于市场组合的系统性风险。 • E[Rm]是市场组合的预期收益率。 • （E[Rm]-Rf）是市场风险溢价，即市场组合的预期收益率与无风险收益率的差值。 3.贝塔系数（β） 贝塔系数是CAPM中的关键变量，用于衡量资产相对于市场组合的系统性风险。其计算公式为： βi=Cov（Ri, Rm）/ Var（Rm） 其中： • Cov（Ri, Rm） 是资产 i 收益率与市场组合收益率的协方差。 • Var（Rm）是市场组合收益率的方差。 贝塔系数的意义： • β=1：资产的系统性风险与市场组合相同。 • β>1：资产的系统性风险高于市场组合，是高风险资产。 • β<1：资产的系统性风险低于市场组合，是低风险资产。 • β<0：资产与市场组合呈反向变动，较为罕见。 4.CAPM的应用 CAPM在金融领域有广泛的应用，主要包括： • 资产定价：通过CAPM可以估算资产的合理预期收益率，判断资产是否被高估或低估。 • 投资组合构建：投资者可以根据CAPM选择不同贝塔系数的资产，构建符合风险偏好的投资组合。 • 资本成本估算：在公司财务中，CAPM可以用于估算股权资本成本，进而计算加权平均资本成本（WACC）。 5.CAPM的局限性 尽管CAPM是一个重要的理论模型，但它也存在一些局限性： • 假设条件过于理想化：CAPM假设市场是完全有效的，投资者是理性的，不存在交易成本和税收，这些假设在现实中很难完全成立。 • 贝塔系数的局限性：贝塔系数只衡量了系统性风险，而忽略了非系统性风险。此外，贝塔系数的估计需要大量的历史数据，且可能随时间变化。 • 市场组合的不确定性：CAPM假设存在一个市场组合，但现实中很难准确确定市场组合的构成。 • 无法解释异常现象：CAPM无法解释一些市场异常现象，如小盘股溢价、价值股溢价等。 6.总结 CAPM是一个具有里程碑意义的金融模型，它为资产定价和投资决策提供了重要的理论基础。尽管存在一些局限性，但在实际应用中，CAPM仍然是金融分析和投资管理中不可或缺的工具。

目前的主要方向以多因子策略为主要方向。根据数据分析： A股目前主要的定价应以FF3因子为基础加入成长因子为定价模型为宜。即：市场、规模（市值）、价值（BM）+ 成长（ROE TTM）。以下是根据多因子分析计算方法论，计算的2012.1-2021.9的多因子中三因子分别的累计收益曲线。 可以很明显的看到： a. HML，即高BM（低PB）即常规认知中的便宜的个股分组与低BM（高PB）即常规认知中的贵的个股分组差额收益，从长期来看有极强的估值陷阱问题。即便宜的收益很差，“贵”的收益长期却高于“便宜”的，导致了分组差额收益为负值。需要说明的是，由于多因子分析计算方法论，是独立双重排序为基础的，所以很大程度上排除了其他因子的影响。所以这里得出的结论是单纯购买“便宜”的股票而不考虑其他因子的结论。这与老巴说的，在便宜的时候买入优质的公司并不冲突。 b. SMB，即小市值股票与大市值股票分组收益差，以观察市场中小市值效应的情况。可以明显的看到SMB与盈利因子的定价能力在2017年1季度以前可以说旗鼓相当，可以认为价值投资策略并不能明显战胜小市值策略。但在2017一季度后市场发生了定价策略底层逻辑本质变化，成长性盈利性一骑绝尘，几乎成为唯一的权重定价因子。这也是众所周知2017年后，大量策略失效的本质原因。 c. RMW，即成长性、盈利性优秀分组和成长性、盈利性较弱分组之间的收益差额。与上述表述类似，盈利因子主导目前市场，是需要长期坚持的投资策略。最近钢铁、煤炭等资源类股，本身不具备成长性，由其为主发动的不是主流因子引起的收益，市场中总是喜欢说风格切换了之类的来谈论市场，这不禁让人更加疑惑而无从下手分析市场的本质。传统资源股发动的行情，我的理解就是，HML因子的短期反弹。我们需要用多因子分析的统一方法论和视角去看待市场的本质。并坚持自己的投资风格不动摇。我是坚决没有参与的。 在经历了2015年市场大奔溃的时代后，市场进入了新的阶段，成长性、盈利性成为主基调。这也是A股长期走向成熟市场的一个重要基本标志。另一方面，就因子本身而言，具有周期性的特征。这也凸显了多因子分析和因子监控的重要性。

超硬核的一本书。 面对越来越多牛人大佬总结出来的因子，到底该选用哪些？同时，哪些因子组合在一起的收益率更高，风险更小？ 绕不开的微积分，当年上学的时候总以为以后用不上，60分万岁了。现在只能一脸蒙圈跳过。 读了个一知半解，等我再学一点新知识回来，说不定就可以看懂更多内容了。 市场中有成千上万种资产。为了简化思维，投资者会把它们分类，比如把股票按风格分成价值股、成长股、高质量股、小市值股等。如此分类让投资者在判断这些资产时，更多考虑它们所处的类别，而非每种资产本身的基本面，这造成了同类资产中显著的共同运动。而对不同风格股票的外推造成了不同风格股票的波动，这便形成了风格因子之间涨跌的差异。 由于曝光导致错误定价减弱、因子拥挤以及交易成本等原因，因子样本外表现变差是因子投资中必须面对的问题。这也催生了业界对因子择时的极大兴趣，并尝试使用各种手段持续挖新的因子（新的因子意味着曝光少、拥挤度低）。 根据经验，有三类股票应该给予考虑，它们是：从量价交易特征上看，具有高短期动量、高换手率和高波动的股票（即投机股）；从公司基本面上来看，估值高而盈利差的股票（即低性价比股）；从事件驱动角度看，发生持续负向风险事件（如股东减持和财务造假等）的股票。 如果以获取高收益为目的，那么应该选择进攻型的基金，如小市值和高成长的；如果想要降低组合波动，可以选择防御类型的因子，如低波动和高质量的。