夜雨聆风
多因子模型（Multi-Factor Model）
目录
导语
如果有一种投资框架，过去三十年被全球顶级资管机构、养老金、主权基金、量化对冲基金反复验证，并间接管理着数十万亿美元资产，那么它大概率不是某个神秘指标，而是一套解释市场收益来源的底层语言。
这套语言，就是多因子模型（Multi-Factor Model）。
从全球最大的量化机构到传统投行资管部门，从主动基金到ETF产品，多因子框架几乎已经成为现代资产管理的基础设施。
前三篇我们讨论了：
Alpha从哪里来； 主流量化策略如何赚钱； 为什么风险管理决定最终收益；
而这一篇，我们进入量化投资最核心的认知层：
市场收益究竟由什么驱动？
理解因子，你才真正理解投资。
一、什么是因子（Factor）？
在机构投资领域，有一句经典的话：
收益可以被观察，但收益来源必须被解释。
假设某基金今年收益25%，同期市场上涨10%。
多出来的15%，真的来自基金经理的选股能力吗？
未必。
经过归因分析后可能发现：
收益来源 | 贡献 |
市场上涨（Beta） | +10% |
小市值暴露（Size） | +8% |
价值风格暴露（Value） | +5% |
真正主动Alpha | +2% |
换句话说：
基金经理并没有创造15%的Alpha。
其中13%只是承担了某些系统性风险因子获得的风险补偿。
这里的：
* 小市值
* 价值
* 动量
* 质量
* 低波动
都属于因子（Factor）。
因子的本质是什么？
因子可以理解为：
能够长期、持续、跨市场解释资产收益差异的系统性驱动因素。
它具有三个特征：
1. 长期存在
不是某一年有效。
而是在几十年历史数据中持续存在。
2. 可复制
不是某个人独有。
别人也能构建类似组合。
3. 有经济学逻辑
不仅仅是统计显著。
必须解释：
为什么市场愿意长期支付这部分收益？
否则很可能只是数据挖掘。
二、现代因子模型的发展史
量化投资的发展史，本质上就是因子模型不断扩展的历史。
第一代：CAPM单因子模型（1964）
提出者：
William Sharpe
核心思想：
市场风险决定一切。
即：
收益 = 无风险收益 + β × 市场风险溢价
其中：
β（Beta）
表示资产对整体市场波动的敏感程度。
* β=1：与市场同步
* β>1：波动高于市场
* β<1：波动低于市场
CAPM首次建立了现代金融学的数学框架。
但很快出现问题：
现实世界并不符合模型预测。
第二代：Fama-French三因子模型（1993）
提出者：
Eugene Fama 与 Kenneth French
他们发现：
CAPM无法解释两个长期存在的市场异象：
规模效应（Size Effect）
小公司长期收益高于大公司。
价值效应（Value Effect）
低估值股票长期跑赢高估值股票。
于是新增两个因子：
因子 | 含义 |
SMB | Small Minus Big |
HML | High Minus Low |
形成著名的：
Fama-French三因子模型
第三代：Carhart四因子模型（1997）
提出者：
Mark Carhart
新增：
动量因子（Momentum）
过去表现好的股票未来继续上涨。
过去表现差的股票未来继续下跌。
即：
UMD
（Up Minus Down）
这也是后来量化CTA和趋势跟踪策略的重要理论基础。
第四代：Fama-French五因子模型（2015）
进一步加入：
盈利因子（Profitability）
高盈利企业长期跑赢低盈利企业。
投资因子（Investment）
资本开支保守企业长期优于激进扩张企业。
形成：
* 市场
* 规模
* 价值
* 盈利
* 投资
五因子体系。
研究显示：
其能够解释约90%-95%的股票组合收益差异。
这已经接近机构投资领域可达到的极限解释能力。
因子动物园（Factor Zoo）
截至目前，学术界发表过的有效因子超过400个。
包括：
* 质量
* 低波动
* 流动性
* 盈利稳定性
* 分红率
* 分析师覆盖率
等等。
因此被戏称为：
Factor Zoo（因子动物园）
但问题来了：
这么多因子都是真的吗？
2016年，Campbell Harvey等学者指出：
大量所谓因子其实只是统计学偶然。
属于典型的数据挖掘结果。
因此真正成熟机构通常只保留：
5—10个经过长期验证的核心因子。
三、全球机构最重视的六大核心因子
1. 市场因子（Market）
最基础的风险来源。
承担整体经济增长风险。
长期来看：
美股历史超额收益约7%-8%。
但代价是：
必须承受周期性熊市。
例如：
* 1929
* 1973
* 2000
* 2008
* 2020
市场因子本质上是：
经济增长的风险补偿。
2. 价值因子（Value）
核心逻辑：
买便宜。
卖昂贵。
常见指标：
* PE
* PB
* EV/EBITDA
* Free Cash Flow Yield
长期超额收益：
约3%-5%。
但价值投资最大的特点是：
长期有效，短期极其痛苦。
例如：
2018—2020年。
价值因子经历历史级回撤。
大量投资者宣布：
价值投资已经死亡。
结果2021—2022年出现强劲反转。
这说明：
价值因子的最大门槛不是认知，而是忍耐。
3. 规模因子（Size）
经典结论：
小盘股长期优于大盘股。
原因包括：
* 流动性折价
* 信息不透明
* 融资困难
机构要求更高回报作为补偿。
但近二十年：
纯规模因子效果明显减弱。
原因包括：
* ETF普及
* 信息透明度提高
* 市场效率提升
因此现代机构很少单独配置规模因子。
通常与：
* 价值
* 质量
* 动量
联合使用。
4. 动量因子（Momentum）
量化历史上最稳定的Alpha来源之一。
策略非常简单：
买过去表现最好的资产。
卖过去表现最差的资产。
典型定义：
过去12个月收益率排序。
剔除最近1个月。
长期超额收益：
约6%-8%。
甚至超过价值因子。
但其代价同样巨大。
动量崩盘（Momentum Crash）
2009年金融危机后市场V型反转。
大量做空垃圾股、做多优质股的动量组合遭遇历史级损失。
单月亏损超过40%。
因此：
动量是收益极高的因子。
也是尾部风险极大的因子。
5. 质量因子（Quality）
机构越来越重视的核心因子。
典型指标：
* ROE
* ROIC
* 毛利率
* 资产负债率
* 盈利稳定性
核心逻辑：
优秀企业值得更高估值。
长期来看：
质量因子表现极其稳定。
尤其在经济下行周期。
其防御能力非常突出。
巴菲特其实是量化高手？
量化机构 AQR Capital Management 的研究指出：
Warren Buffett的大部分超额收益可以被解释为：
* 市场因子
* 价值因子
* 质量因子
* 低波动因子
* 的组合暴露。
换句话说：
巴菲特的伟大之处并非神秘。
而是在几十年时间里极度纪律化地执行优质因子暴露。
6. 低波动因子（Low Volatility）
金融学最大的悖论之一。
理论认为：
高风险对应高收益。
现实却发现：
低波动股票长期收益反而更高。
这被称为：
Low Volatility Anomaly
（低波动异象）
为什么会这样？
主要原因有两个：
彩票偏好
投资者喜欢追逐暴涨神话。
愿意高价买入高波动资产。
导致未来收益下降。
杠杆约束
很多机构无法自由加杠杆。
只能通过买高Beta资产提高收益。
从而推高高波动股票估值。
结果：
低波动资产长期获得超额收益。
四、因子的周期轮动
没有任何因子永远领先。
所有因子都有顺风期和逆风期。
因子 | 强势环境 | 弱势环境 |
价值 | 经济复苏、利率上升 | 流动性泛滥、成长泡沫 |
动量 | 趋势明确 | 急速反转 |
质量 | 经济衰退 | 风险偏好狂热 |
低波动 | 熊市 | 牛市加速阶段 |
规模 | 流动性改善 | 资金集中龙头 |
很多投资者失败并不是因为因子失效。
而是在因子失效前放弃。
例如：
2019年放弃价值策略的人。
往往无法享受到随后两年的价值修复行情。
真正的机构投资者明白：
赚因子的钱，本质是在赚长期均值回归的钱。
五、多因子组合：华尔街真正的秘密
如果只允许用一句话概括量化投资：
那就是：
不赌单一因子，利用多个低相关因子构建组合。
这是现代资管行业最重要的风险控制思想。
为什么组合有效？
因为因子之间相关性并不高。
例如：
价值与动量经常负相关。
质量与低波动高度协同。
当一个因子表现差时：
另一个因子可能正在赚钱。
因此组合后的收益曲线更加平滑。
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 |
多因子组合 | ~11% | ~25% | ~0.8 |
最关键的一点：
收益几乎没有下降。
风险却减少近一半。
这就是机构资金偏爱多因子的原因。
六、因子择时：最诱人的陷阱
很多投资者会问：
既然价值有周期，能不能预测价值什么时候好？
理论上可以。
现实中极难。
因为因子的周期并非固定规律。
你永远不知道：
价值因子低迷会持续：
* 1年
* 3年
* 5年
还是10年。
大量研究发现：
多数因子择时策略最终跑输静态配置。
原因非常简单：
择时错误一次。
就可能错过整个修复周期。
因此顶级机构更倾向于：
* 固定权重
* 定期再平衡
* 长期持有
而不是频繁切换风格。
投资世界最大的悖论之一是：
最赚钱的方法往往最无聊。
七、多因子框架在加密市场中的应用
加密市场虽然与传统股票市场不同，但因子逻辑依然存在。
动量因子
加密市场最有效因子之一。
原因：
* 散户占比高
* 情绪驱动明显
* 趋势延续性强
因此：
趋势跟踪策略在BTC、ETH等主流资产中长期有效。
规模因子
小市值代币波动远超主流币。
理论收益更高。
但隐藏巨大问题：
幸存者偏差。
市场只记住：
上涨100倍的项目。
却忽略：
归零的绝大多数项目。
价值因子
加密市场最具争议的领域。
传统：
* PE
* PB
无法直接使用。
目前常见尝试包括：
* NVT
* TVL
* Fee Revenue
* 活跃地址数
* 网络使用率
但尚未形成类似股票市场那样稳定成熟的价值体系。
加密因子的三个特殊挑战
Alpha衰减更快
信息传播速度极快。
策略容易拥挤。
尾部风险更大
极端行情远超传统市场。
流动性高度分层
BTC、ETH接近机构级市场。
大量山寨币则接近私募市场流动性水平。
八、机构投资最容易犯的三个因子误区
误区一：过去有效，未来必然有效
错误。
因子可能失效。
原因包括：
* 拥挤交易
* 市场结构变化
* 监管变化
* 技术革命
任何因子都不是永动机。
误区二：因子收益是免费午餐
错误。
所有因子收益都来自承担某种风险。
价值承担价值陷阱风险。
动量承担趋势反转风险。
低波动承担牛市跑输风险。
收益永远对应风险。
误区三：所有因子收益都能同时获得
错误。
因子之间经常互相冲突。
例如：
价值要求便宜。
质量要求优秀。
现实中：
既便宜又优秀的资产极其稀缺。
因此组合管理本质上是一门权衡艺术。
结语：因子是理解市场的“元语言”
对于普通投资者而言，多因子模型最大的价值，不是让你立刻开发量化策略。
而是让你学会拆解收益来源。
当你赚钱时：
问自己：
这是市场Beta？
还是因子暴露？
还是Alpha？
当你亏钱时：
问自己：
到底是哪种风险在发挥作用？
当你评估基金经理时：
问自己：
扣除市场与因子暴露后，还剩下多少真正的主动收益？
从投行资管视角看，现代投资管理的核心已经不再是“预测明天涨跌”，而是识别、配置、管理和组合风险因子。
绝大多数投资者以为自己在做主动投资，实际上只是无意识地暴露在某些因子风险之下。
而意识到这一点，才是真正进入量化思维的起点。
——面向创业者｜社区｜加密资管机构｜交易KOL的AI交易品牌定制化解决方案
