多因子模型与因子图鉴：认识你的系统性对手

多因子模型在算什么#

每只股票的收益被写成：若干因子暴露 × 因子收益 + 特质收益。三个零件都要会读：

• 暴露（loading）：这只股票”含多少”某因子——贵州茅台的白酒行业暴露是 1，高 beta 股的 beta 暴露大于 1；
• 因子收益：当天”纯粹的”该因子涨跌多少——由全市场横截面回归估出，人人共享；
• 特质收益：减完因子后剩下的残差——你的研究要预测的就是它。

风险模型 FAQ：它不预测涨跌#

作者用一整节回答 PM 最常见的误解，三条最关键：

1. 风险模型预测的是协方差（波动与相关性），不是收益方向——它说”你在赌动量”，不说”动量会涨”；
2. 因子暴露高不等于会亏钱，等于损益会跟着那个因子摆动——你要问自己是否有意愿、有能力承受这种摆动；
3. 模型永远不完美，但粗糙的分解远好于不分解——用一个市值 + 行业 + 动量的简陋模型，也比裸看持仓强十倍。

因子图鉴（一）：经济环境类#

• 国家/市场：最大的一个因子，对应 beta，上一页已处理；
• 行业：第二大风险源。同行业股票同涨同跌，重仓三只白酒 ≈ 一注行业赌单，不是三注选股；
• beta 与波动率：高 beta、高波动股票有独立于大盘的共同行为——低波动异象让”高波动组合”长期并不多赚；
• 市值：大小盘风格轮动，A 股研究者对 2017 年的小盘股崩塌应该记忆犹新。

因子图鉴（二）：交易环境类#

这是本书比教科书新鲜的地方——把”别人怎么持仓”也当成因子：

• 做空拥挤度（short interest）：被重度做空的股票是一个共同体，轧空时一起暴涨（GameStop 是极端案例）；
• 机构/对冲基金拥挤度：主动管理人扎堆的票，平时慢慢涨，去杠杆时一起被砸——你的邻居也是你的风险因子；
• 动量：过去赢家继续赢，直到某天猛烈反转——动量崩塌（momentum crash）是 pod 平台的集体噩梦；
• 价值：估值便宜的一篮子股票同进退，2018~2020 年的价值长熊教育了所有人。

实用姿势：把因子当体检项，不当赚钱工具#

本书的立场很鲜明：对基本面 PM 来说，因子是用来测量和控制的，不是用来下注的。每周看一次自己组合的因子暴露表，问三个问题：这个暴露是我有意的吗？它贡献了多少风险？我愿意为它承受一次三倍标准差的日子吗？

对应本平台#

• 「因子分析」页的 IC 分析，视角恰好相反：平台把因子当 alpha 候选来检验，本书把因子当风险来控制——同一张因子收益表，研究员看预测力，风控看杀伤力；
• 「因子对比」页看多个因子的相关性：高相关的因子在风险端会叠加杀伤，等价于一注下双倍；
• 在 A 股做实验时，行业与市值是最需要先控制的两个因子——不控制它们的 IC，很可能只是行业/市值轮动的影子。

本页带走的三句话#

1. 股票收益 = 暴露 × 因子收益 + 特质收益：风险模型预测协方差，不预测涨跌；
2. 因子图鉴两大类——经济环境（市场/行业/beta/波动/市值）与交易环境（做空拥挤、机构拥挤、动量、价值），后者是平台时代的新杀手；
3. 对选股手而言因子是体检项不是赚钱工具：每个暴露都要能回答”这是我有意的吗”。