量化交易系列（四）：多因子模型——华尔街印钱机器的核心秘密

量化交易系列（四）：多因子模型——华尔街印钱机器的核心秘密

导语

如果有一个模型，全球管理着超过 30 万亿美元的资金都在使用它的某种变体——你会不会想搞明白它是什么？

这就是多因子模型（Multi-Factor Model）。

前三篇我们讲了 Alpha 的来源、经典策略和风险管理。这一篇把它们统一到一个框架里——多因子模型。不涉及编程，只讲核心思想。

---

一、什么是"因子"？

假设你今年赚了 25%，市场涨了 10%。这 15% 的超额收益怎么来的？

深入分析可能发现：你持有的大多是小盘股（今年小盘跑赢大盘 8%）和低估值股票（今年价值跑赢成长 5%）。剩下的 2% 才是真正的"选股能力"。

"小盘"和"低估值"就是两个因子——系统性地驱动一类资产收益的底层力量。关键词是"系统性"：跨市场、跨时间、持续存在。

---

二、因子模型的学术演进

CAPM 单因子（1964）

Sharpe 的资本资产定价模型：任何资产的预期收益完全由市场因子决定。β 衡量对市场涨跌的敏感度，β 越高预期收益越高。

Fama-French 三因子（1993）

Fama 和 French 发现 CAPM 解释不了两个异象：小公司长期跑赢大公司（规模效应），低估值股票长期跑赢高估值（价值效应）。他们增加了 SMB（小减大）和 HML（价值减成长）两个因子。

Carhart 四因子（1997）

加入动量因子 UMD（赢家减输家），因为三因子模型无法解释动量效应。

Fama-French 五因子（2015）

又增加盈利因子 RMW（高盈利减低盈利）和投资因子 CMA（保守减激进）。五因子模型能解释约 90%-95% 的组合收益率差异。

因子动物园

学术论文报告的"有效因子"已超过 400 个，被戏称"因子动物园"。Harvey 等人 2016 年指出：绝大多数可能是数据挖掘的产物。实践中，大多数基金只使用 5-10 个核心因子。

---

三、六大核心因子

1. 市场因子（Market）

承担市场整体风险的补偿。美股 1926-2025 年年化超额收益约 7%-8%，但代价是承受可能持续数年的熊市。

2. 价值因子（Value）

买"便宜"卖"昂贵"。年化超额约 3%-5%。2018-2020 年经历史上最大回撤，很多人宣布"价值已死"，但 2021-2022 年强劲反弹——这正说明了因子投资需要极强纪律。

3. 规模因子（Size）

小市值长期跑赢大市值。但近二十年单纯规模因子几乎没有超额收益，需要和价值、质量因子组合使用。

4. 动量因子（Momentum）

买入过去 12 个月（跳过最近 1 个月）涨幅最大的，卖空跌幅最大的。年化超额约 6%-8%，最强因子之一，但尾部风险巨大（2009 年 3 月一个月亏 40%+）。

5. 质量因子（Quality）

买高质量（高 ROE、低负债、稳定盈利），卖低质量。AQR 2018 年论文指出：巴菲特的超额收益很大程度上可用市场+价值+质量+低波动因子解释。

6. 低波动因子（Low Volatility）

低波动股票长期收益反而更高——完全违反"高风险高收益"的直觉。原因包括"彩票偏好"（投资者高估高波动股票的暴涨概率）和杠杆约束。

---

四、因子的周期性

每个因子都有好时候和坏时候：

因子	表现好	表现差
价值	经济复苏、利率上升	流动性泛滥、科技泡沫
动量	趋势明确、波动适中	极端反转、危机结束
质量	经济下行、避险情绪高	风险偏好大开
低波动	市场下跌、恐慌蔓延	市场暴涨、情绪狂热

因子投资最大的挑战不是找到因子，而是在因子暂时失效时不放弃。 2019 年底放弃价值策略的人，错过了 2021-2022 年的反弹。

---

五、因子组合的力量

为什么要组合？

单因子波动太大。但如果同时持有价值、动量、质量、低波动等多个因子，由于它们之间的低相关性，组合的波动会大幅降低。

配置方式	年化收益	最大回撤	夏普比率
纯价值	~10%	~45%	~0.4
纯动量	~12%	~50%	~0.5
价值+动量+质量等权	~11%	~25%	~0.8

组合收益没降多少，但风险大幅下降。 这就是多因子的核心价值。

因子择时：诱人但危险

既然因子有周期性，能不能在价值因子表现好时加仓价值、在动量表现好时加仓动量？

理论上可以，但实证研究表明：因子择时极其困难，大多数尝试反而降低了收益。 AQR 的 Asness 在多篇论文中反复论证这一点。

原因很简单：因子的周期不像四季更替那样可预测。你永远不知道价值因子的低谷期会持续一年还是五年。

专业建议：保持各因子的恒定配置权重，定期再平衡，不要试图择时。 这听起来很无聊，但"无聊"恰恰是投资中最大的优势。

---

六、因子投资在加密市场的应用

加密市场和传统金融市场有本质不同，但因子的思维框架仍然适用：

哪些因子在加密市场有效？

动量——加密市场的动量效应极其显著。Liu, Tsyvinski 和 Wu 在 2019 年的论文中证明：加密货币的横截面收益率中，动量是最强的预测因子。直觉上也说得通——加密市场散户比例极高，行为偏差更严重。

规模——小市值代币的波动率和潜在收益都远高于 BTC/ETH。但这里有一个巨大的幸存者偏差陷阱：你看到的是暴涨 100 倍的小币，看不到的是归零的 99%。

价值——在加密市场中如何定义"价值"？这是一个未解问题。传统的市盈率、市净率在绝大多数代币上不适用。一些研究尝试用 NVT（Network Value to Transactions，网络价值与交易量之比）作为加密资产的"市盈率"，初步结果显示有一定预测能力。

加密市场因子的独特之处

1. Alpha 衰减更快。 加密市场参与者虽然不成熟，但信息传播极快（Twitter/Telegram），有效的因子被发现后很快拥挤。
2. 尾部风险更大。 加密市场的日波动率是传统市场的 3-5 倍，极端事件更频繁。
3. 流动性分化严重。 BTC/ETH 的流动性接近传统大盘股，但大多数山寨币的流动性极差。

---

七、因子投资的常见误区

误区一："过去有效的因子未来一定有效"

因子可能因为以下原因失效：

• 策略拥挤：太多人使用导致 Alpha 消失
• 结构变化：市场结构改变（如被动投资占比从 10% 上升到 50%）
• 监管变化：新法规可能消除某些结构性机会

误区二："因子收益是免费的午餐"

每个因子收益背后都有对应的风险。价值因子赚钱是因为你承担了"价值陷阱"的风险——买入的"便宜"公司可能真的在走向破产。动量因子赚钱是因为你承担了"动量崩溃"的尾部风险。

没有风险的收益不存在。如果你觉得自己找到了"无风险的超额收益"，要么是你没看到风险，要么是你被骗了。

误区三："我可以同时获得所有因子的收益"

不同因子之间有时是矛盾的。比如价值因子要求你买"便宜"的股票，但便宜的股票往往质量很差（低 ROE、高负债）。同时满足价值和质量要求的股票数量很有限。

因子组合的艺术，就在于在矛盾中找到平衡。

---

八、总结：因子是理解市场的"元语言"

多因子模型的价值不仅在于构建策略，更在于提供了一种理解市场的统一框架：

• 你赚了钱？分解一下，到底是市场 Beta、因子暴露还是真正的 Alpha
• 你亏了钱？看看是哪个因子在拖后腿
• 你想评估一个基金经理？用因子模型分析他的历史收益，看看扣掉因子暴露后还剩多少真正的 Alpha

大多数人以为自己在做"主动投资"，其实只是在被动承担某些因子的风险。 意识到这一点，是量化思维的开始。

---

下一篇：量化交易系列（五）——认知陷阱：过拟合、幸存者偏差和黑天鹅。为什么你的回测年化 100%，实盘却亏成狗？

关注公众号「coft」，获取更多 AI 时代的深度思考。