Skip to content

因子投资与多因子模型

因子投资概述 (Factor Investing)

因子投资 (Factor Investing) 的核心思想是：资产收益率可以被少数系统性风险因子 (Risk Factors) 所解释。投资者通过暴露于这些因子获取风险溢价 (Risk Premium)。

单因子模型 — CAPM 是最简单的因子模型：

\[\mathbb{E}[R_i] - R_f = \beta_i \left(\mathbb{E}[R_m] - R_f\right)\]

其中 \(\beta_i = \text{Cov}(R_i, R_m)/\text{Var}(R_m)\) 衡量资产对市场因子的敏感度。然而大量实证研究表明 CAPM 无法解释许多横截面收益率异常 (Anomalies)。

Fama-French 三因子模型

Fama 和 French (1993) 在市场因子基础上加入规模 (Size) 和价值 (Value) 因子：

\[R_i - R_f = \alpha_i + \beta_i^{\text{MKT}}(R_m - R_f) + \beta_i^{\text{SMB}}\cdot\text{SMB} + \beta_i^{\text{HML}}\cdot\text{HML} + \varepsilon_i\]

因子构造方法：

  • SMB (Small Minus Big)：小市值组合收益减去大市值组合收益
  • HML (High Minus Low)：高账面市值比组合收益减去低账面市值比组合收益

因子构造细节

标准方法使用双重排序 (Double Sort)：先按市值分为两组，再按 B/M 分为三组（30%/40%/30%），形成 \(2 \times 3\) 个组合。SMB 和 HML 分别为对应组合的等权平均差。

Fama-French 五因子模型

Fama 和 French (2015) 进一步扩展为五因子：

\[R_i - R_f = \alpha_i + \beta_i^{\text{MKT}}(R_m - R_f) + \beta_i^{\text{SMB}}\cdot\text{SMB} + \beta_i^{\text{HML}}\cdot\text{HML} + \beta_i^{\text{RMW}}\cdot\text{RMW} + \beta_i^{\text{CMA}}\cdot\text{CMA} + \varepsilon_i\]

新增因子：

  • RMW (Robust Minus Weak)：高盈利公司减去低盈利公司的收益
  • CMA (Conservative Minus Aggressive)：低投资率公司减去高投资率公司的收益

Alpha 的含义

回归截距 \(\alpha_i\) 代表因子模型无法解释的异常收益。若 \(\alpha_i\) 统计显著不为零，说明模型不完备，或存在真正的超额收益机会。基金经理的价值往往体现在其能否持续产生正 Alpha。

因子动物园问题 (Factor Zoo)

学术研究已经"发现"了超过 400 个预测横截面收益率的因子，形成了所谓的因子动物园 (Factor Zoo)。这引发了严重的方法论质疑：

  1. 数据挖掘 (Data Mining)：大量检验必然产生虚假显著结果
  2. 多重检验校正 (Multiple Testing)：传统 \(t > 2\) 的显著性阈值不再足够，Harvey et al. (2016) 建议 \(t > 3\)
  3. 样本外失效：许多因子在发表后收益率大幅衰减
  4. 因子冗余：许多"新"因子实际上是已知因子的线性组合

实践建议

评估因子时应关注：

  • 经济逻辑是否合理（风险补偿 vs. 行为偏差）
  • 是否在多个市场和时间段稳健
  • 交易成本后是否仍然有利可图
  • 因子拥挤度 (Factor Crowding) 是否过高

Smart Beta 策略

Smart Beta 是因子投资的指数化实现，介于纯被动和主动管理之间：

策略 目标因子 构造方法
等权指数 Size 等权重替代市值加权
低波动率 Low Volatility 按历史波动率选股，低波动率超配
价值加权 Value 按 B/P、E/P 等估值指标选股
动量指数 Momentum 按过去 12-1 个月收益率排序
质量因子 Quality 按 ROE、低杠杆等指标筛选

多因子组合构建

实际构建多因子组合的两种范式：

组合混合法 (Portfolio Mixing)：分别构建单因子组合，再加权混合：

\[w_{\text{multi}} = \sum_k \lambda_k w_k^{\text{factor}}\]

信号混合法 (Signal Mixing)：将多个因子得分标准化后加权合成为综合得分，基于综合得分构建单一组合：

\[\text{Score}_i = \sum_k \lambda_k \cdot \frac{z_{i,k} - \bar{z}_k}{\sigma_{z_k}}\]

实践中的权衡

信号混合法通常换手率更低、交易成本更小，且可更好控制行业和风格暴露。组合混合法则更透明，便于归因分析 (Attribution Analysis)。大型资管机构多倾向信号混合法。