当机器学习遇见多因子：一份给“懂模型但不懂量化”的人的技术导览

如果你熟悉线性回归、正则化、树模型和过拟合这些概念，但从未接触过量化的多因子投资，那么一个自然的切入方式是：多因子模型本质上是一个你已经见过的统计学习问题，只是它的数据生成过程和约束条件被金融市场改写过了。

这篇文章不做金融叙事，而是把多因子投资拆解成几个你在机器学习中已经熟悉的问题——压缩、选择、松弛与问责——然后看看量化实践者是如何用你熟悉的工具回答它们的。

因子暴露就是特征，因子收益就是回归系数

多因子模型最基础的形态是一个截面回归：

[
r_{i,t} = \alpha_t + \sum_{k=1}^{K} \beta_{i,k,t} f_{k,t} + \varepsilon_{i,t}
]

其中 (r_{i,t}) 是股票 (i) 在 (t) 期的收益，(\beta_{i,k,t}) 是股票 (i) 在因子 (k) 上的暴露，(f_{k,t}) 是该因子的收益。用机器学习的语言说：因子暴露就是你为每只股票构造的特征向量，因子收益就是在给定这些特征下拟合出来的回归系数。 你在做特征工程时计算的公司规模、估值、动量，在量化中就是“因子”；你的模型为每个特征学到的权重，在因子模型中就是每期截面回归估出来的 (f_{k,t})。

这个映射之所以成立，是因为多因子模型和标准回归共享同一个统计目标：用少数共同成分解释大量个体观测的变异。 Fama-French 三因子用市值（SMB）和价值（HML）两个手工构造的组合收益来充当因子，本质上是在手动指定隐变量的代理；而机器学习的视角会立刻追问：为什么不把隐变量交给数据去估计？ 这正是 PCA 和自编码器进入因子研究的入口。

高维因子选择：Lasso 不是“借用”，而是问题本身要求的正则化

一旦你接受“因子=特征”，立刻会认出量化研究中最头疼的问题在机器学习中的名字：(p) 远大于 (n)，且特征高度相关。 学术界已经提出了数百个候选因子，而可用的有效截面样本在时间维度上相当有限。Cochrane 所说的“因子动物园”，在统计学习语言中就是一个设计矩阵病态的高维选择问题。

Lasso 和 Elastic Net 在因子选择中的角色，恰恰对应了这个问题本身就需要的正则化。(\ell_1) 惩罚实现稀疏选择，把大量冗余因子压缩到少数非零；Elastic Net 在 (\ell_1) 与 (\ell_2) 之间调节，当相关因子成组出现时倾向于整组保留而非任意丢弃一个。一项基于沪深300成分股、覆盖244个因子（2007—2021年）的对比研究发现，线性正则化模型在克服因子相关性和噪声方面表现突出，而非线性模型则在捕捉因子与收益之间更复杂的长期关系上更强。更有意思的是因子偏好上的分工：线性模型倾向于选中与价格走势相关的动量因子，而非线性模型更看重基于公司基本面的价值与质量因子。这提示了一件事：“选哪些因子”本身依赖于你假设的函数形式，而不是一个与模型无关的客观答案。

非线性的诱惑与代价：松弛一个可疑的统计约束

线性因子模型有一个容易被忽视的统计假设：因子暴露 (\beta) 是不随时间变化的常数，因子对收益的作用是线性可加的。 从机器学习角度看，这是一个很强的设定误差来源。如果真实关系存在交互（比如“高动量”只在“低波动”条件下才预测正收益），线性模型会产生系统性偏差，而且这种偏差不会因为样本增大而消失。

随机森林和梯度提升树提供的“松弛”路径，你在机器学习中已经很熟悉：不预设函数形式，用分段常数逼近和树的组合来隐式建模非线性和交互。Gu、Kelly 和 Xiu 的条件自编码器则走得更远：让因子载荷本身成为资产特征的函数，在保留低维因子结构的同时放松了常数载荷约束。

但松弛有统计代价。非线性模型的有效自由度更高，而金融数据的信噪比极低、非平稳性普遍。偏差的下降是否值得方差的上升，不是一个可以靠“模型更先进”来回答的问题，而是一个需要在具体样本外区间上检验的经验问题。 上述 A 股对比研究也提醒：更复杂的模型（包括深度学习）并不总是带来更好的收益预测，随机森林在一些设定下反而优于 SVM 和神经网络。把非线性当作默认选项，和把线性当作信仰，在统计上犯的是同一类错误。

归因：深度模型必须自己生产“因子系数”

多因子模型在机构中之所以有制度生命力，不只因为它能预测，更因为它能归因：组合赚的钱可以被分解到因子上，基金经理和风控部门能够就“赚的是什么钱”形成可审计的共识。一个没有归因通道的黑箱，在金融语境中不是一个完整的因子模型。

深度因子模型的回应，是在网络内部重建归因。Nakagawa 等人的框架对训练好的深度网络应用逐层相关性传播（LRP） ，将预测收益分解到输入因子层面，从而在非线性黑箱上恢复类似“因子贡献度”的量。它的统计含义值得认真对待：LRP 给出的不是回归系数的标准误意义上的推断，而是一种局部归因，其稳定性依赖于网络结构和输入分布。但它指向的方向是清晰的：如果机器学习的预测力要替代传统模型的制度功能，它就必须在自身框架内生产出统计上可辩护的归因量。

Barra 的“纯因子组合”提供了一个有用的对照。纯因子组合的数学构造是 ((X^T X)^{-1}XT)，乘以暴露矩阵 (X) 后得到一个单位矩阵——这从代数上保证了组合只对目标因子有单位暴露、对其他因子暴露为零。这种“数学上自洽”的归因，正是线性框架的强项，也正是非线性模型需要以另一种方式去逼近的目标。

A 股的一个切面：数字说明了什么，又不说明什么

用一个具体的 A 股多因子组合作为参照：从估值、规模、成长、质量、杠杆等 10 大类 100 多个细分因子中筛选出 44 个，基于 IC 及 IC 协方差矩阵构建动态 IR 优化组合，滚动 36 个月，持仓 150 只，信息比 3.67，年化收益 31%。另一个量价因子等权合成的综合因子，RankIC 均值为 -11.99%，十分组多空组合年化收益 33.86%。

这些数字在 A 股研究报告中并不罕见，但机器学习训练出的直觉应该让你追问两件事。第一，这些是样本内还是样本外？ 多因子研究中“样本内夏普优秀、样本外夏普失效”是一个被反复记录的模式：样本内满足“弱有效低相关”条件的因子，在样本外相关性仍然较低，但大量因子会出现夏普比失效，最终拖累合成因子的表现。第二，因子本身会衰减。 A 股的 SMB 因子在 2017 年之后的表现明显走弱，提示“曾经有效”并不蕴含“将继续有效”。这不是对多因子方法的否定，而是对它的统计性质的一个诚实描述：因子收益是一个非平稳过程，任何在历史窗口上估计出来的参数，都面临分布漂移的风险。

结语：机器学习给多因子带来的，不是替代，是问题意识的精确化

回到最初的问题：一个懂机器学习的人应该怎样理解多因子量化？

最准确的回答或许是：多因子模型是统计学习在金融数据上的一种受约束实例。 你熟悉的压缩（潜变量估计）、选择（高维正则化）、松弛（非线性函数形式）和问责（归因重建），在多因子中一个不少，只是它们被嵌入在一个信噪比极低、非平稳、且制度上要求“可解释”的数据生成过程中。

机器学习带来的最有价值的改变，不是宣布树模型或神经网络“战胜”了 Fama-French，而是让因子研究中原本以金融叙事包裹的统计问题变得不可回避：因子是否在控制高维候选集合后仍有增量信息？非线性带来的偏差下降是否值得方差代价？一个不可归因的预测在制度语境中是否算一个“模型”？这些问题在多因子中一直存在，只是机器学习迫使人们用更精确的语言面对它们。

而它无法消除的那部分困难——因子收益在下一个样本外区间是否持续——则属于金融数据本身的性质，不属于任何方法的胜利或失败。