摘要
这篇文章把“因子投资”拆成三个最核心的问题：
- 有哪些因子会影响股票回报？
- 应该如何把这些因子组合起来？
- 因子之间是否可以轮动？
作者的核心思路是：因子投资并不是某一个固定公式，而是一套“用可量化特征解释收益、筛选资产、构建组合”的方法论。真正的难点不只是发现因子，还包括因子的选择、组合，以及在不同市场环境下的应用。
什么是因子投资
因子投资（Factor Investing）是指：
- 用一组可量化指标解释股票收益；
- 找到这些指标与未来收益之间的统计关系；
- 买入更符合目标因子的股票，以期获得超额回报。
它最常见的实践形式之一，就是 Smart Beta（聪明贝塔）。
简单说：
因子 = 可以系统化筛选股票的特征。
例如：
- 低波动
- 小市值
- 价值
- 动量
- 盈利能力
- 质量
- 成长
- 分红
全文框架：因子投资的三个问题
一、有哪些因子能够影响股票回报？
二、应该如何将这些因子组合在一起？
三、因子之间如何轮动？
一、有哪些因子能够影响股票回报？
1. 从 CAPM 开始
因子投资的重要起点是 CAPM（资本资产定价模型）。
CAPM 的核心是：
预期回报 = 无风险回报 + Beta × 市场风险溢价
这里的 Beta 描述的是：
- 单个资产相对市场整体波动的敏感度；
- 风险越高，投资者要求的预期回报通常越高。
也就是说，最早被系统化讨论的“因子”，其实就是市场风险因子。
Open: Pasted image 20260316133157.png
2. 低波动率异象
1972 年，Haugen 和 Heins 提出了一个非常反直觉的发现：
- 低波动股票组合，长期回报可能高于高波动股票组合；
- 这与“高风险应对应高回报”的朴素理解并不完全一致。
这被称为：
低波动率异象（Low Volatility Anomaly）
它说明市场中并不是所有收益，都能被传统的风险补偿逻辑解释。
3. Fama-French 三因子与五因子
1992 年，Fama 和 French 在 CAPM 基础上扩展出三因子模型，引入了：
- 市场因子（Market / Beta）
- 规模因子（Size）
- 价值因子（Value）
其背后的经验结论是：
- 小市值公司长期回报可能更高；
- 高账面市值比（Value）公司长期回报可能更高。
后来又扩展为五因子模型，新增：
- 盈利能力因子（Profitability）
- 投资水平因子（Investment）
即：
- 盈利能力越强，回报可能越高；
- 再投资越克制的公司，回报可能更优。
4. 常见因子分类
作者将常见因子概括为几大类：
- 低波动率因子（Low Volatility）
- 市值因子（Size）
- 价值因子（Value）
- 盈利水平因子（Profitability）
- 质量因子（Quality）
- 成长因子（Growth）
- 动量因子（Momentum）
- 分红比例因子（Dividend Payout）
5. 因子动物园与 Alpha-fading
随着研究增多，市场上被提出的因子越来越多，形成所谓：
Factor Zoo（因子动物园）
但问题也随之而来：
- 一旦某个因子被过度关注；
- 大量资金追逐它；
- 它带来的超额收益可能就会衰减。
这就是：
Alpha-fading
也就是说：
- 因子不是永恒有效；
- 市场会学习、适应、套利；
- 因子本身也会“老化”。
Open: Pasted image 20260316133400.png
二、应该如何将这些因子组合在一起？
作者把因子组合分成两层：
1. 同类因子组合
同一类因子下面，往往有很多不同的具体指标。
例如在 价值因子 下，可以同时看：
- 市净率 / 账面市值比
- 市盈率（P/E）
- 市销率（P/S）
- 市现率（P/CF）
- EV/EBITDA
把多个代表“价值”的指标一起用，通常比只用单个指标更稳健。
原因是：
- 单一指标容易偏；
- 多指标能减少噪音；
- 更容易捕捉一个因子真正的经济含义。
2. 跨类因子组合
跨种类组合，是把不同类型的因子放在一起。
例如：
- 低波动 + 价值
- 成长 + 动量
- 价值 + 质量
但这里不是“越多越好”，而是要看因子之间的相互作用。
可能互补的组合
- 价值 + 成长： 文中举例说，低估值且高成长的股票，可能比仅满足其中一个条件的股票更有吸引力。
可能相互抵消的组合
- 价值 + 动量： 文中引用 Fidelity 的资料，认为这两类因子的超额收益可能存在此消彼长，组合不好反而会拉低回报。
作者的结论是：
因子组合既是技术，也是艺术。
其本质不只是统计拼接，而是：
- 你是否真正理解每个因子代表什么；
- 它为何有效；
- 它与别的因子会不会冲突。
三、因子之间如何轮动？
因子轮动讨论的是：
不同市场阶段，是否应该主动增减某些因子暴露？
换句话说，不只是“长期持有一篮子因子”，而是根据市场环境判断：
- 现在该偏价值？
- 偏动量？
- 偏低波动？
- 还是调整不同因子的权重？
1. 支持派：因子可以择时
代表人物：Rob Arnott（Research Affiliates）
其观点是：
- 因子也可能被高估或低估；
- 若能识别因子的相对估值与拥挤度；
- 就有机会卖出被高估因子、买入被低估因子，提升回报。
2. 反对派：因子择时很难
代表人物：Cliff Asness（AQR）
其主要观点是：
- 因子择时难度很高；
- 成本和风险可能吃掉潜在收益；
- 即使理论上能做，现实执行也未必划算。
3. 戏剧性转折：因子也可能有动量
后来 AQR 也发表了《Factor Momentum Everywhere》，承认：
- 过去表现好的因子，短期内可能继续表现较好；
- 过去表现差的因子，也可能继续差。
这说明：
- 因子轮动不是完全站不住脚；
- 但它对研究能力、数据质量和执行要求极高。
作者自己的态度比较开放：
- 因子择机有潜力；
- 难点在于实现难、门槛高；
- 随着机器学习、深度学习进入投资领域，这件事可能变得更可行。
核心结论
这篇文章真正想表达的是：
1. 因子投资不是单一策略，而是一个研究框架
它试图回答“什么特征会带来更高收益”。
2. 难点不只在发现因子，更在使用因子
真正拉开差距的是：
- 因子筛选
- 因子定义
- 因子组合
- 因子轮动
- 回测与执行
3. 因子会失效，也会演化
一个因子被发现后，不代表会永久有效。 市场参与者会学习，资金会拥挤，超额收益会衰减。
4. 优秀的因子模型是层层拆解问题的结果
作者把搭建因子模型比作“剥洋葱”：
- 先拆大问题；
- 再逐层解决小问题；
- 在实操、回测、解释中不断修正。
适合记住的要点
因子投资三问
- 有哪些有效因子？
- 因子怎么组合？
- 因子能否轮动？
常见因子
- 市场
- 规模
- 价值
- 动量
- 低波动
- 盈利
- 质量
- 成长
- 分红
两种组合方式
- 同类组合：多个指标描述同一种风格
- 跨类组合：不同风格之间做协同
一个重要风险
- 因子可能拥挤
- 超额收益可能衰减
- 过去有效 ≠ 永远有效
金句 / 可摘录
因子投资试图解决“如何投资”这个大问题。
将不同的因子巧妙地组合在一起，会起到 1+1>2 的效果。
如何将因子们巧妙地组合在一起不仅仅是一种技术，更是一门艺术。
创造出一个优秀的因子投资模型，就像剥洋葱，一层一层将问题剥开解决。
我的理解
如果把这篇文章压缩成一句话：
因子投资不是找到一个“神奇指标”就结束了，而是围绕“发现因子—理解因子—组合因子—动态使用因子”建立一整套系统方法。
再进一步说，这篇文章最有价值的地方，不是列出了多少因子，而是提醒你：
- 因子有效性来自统计规律，但投资结果来自组合与执行。
- 研究一个因子容易，构建一个长期可用的因子体系很难。