因子的定义和分类

　　在量化选股中，因子是指“对个股收益差异有解释作用的特征”，能够解释投资组合的收益或帮助进行资产定价。因子的有效性主要看预测能力。一个因子被验证为有效，是在某历史时间段内的数据所呈现出来的规律，并不意味着该规律在未来的市场中可以持续有效。

　　因子的种类很多，不同类别的因子能从不同的维度对个股收益差异进行解释。在量化选股模型中，一般可分为“风险因子”与“阿尔法因子”：前者更强调风险来源，解释能力还是很强，但已经缺乏预测能力；后者更强调回报来源，更注重是否能预测未来个股相对收益。

　　风险因子早期也属于阿尔法因子，只不过很早就被学术界挖掘并公开发表论文，尤其在美股，其收益风险比快速下降。但这些因子还是能够解释很多收益，只是预测能力几乎消失，所以被称为“风险因子”。常见的风险因子包括市值、市盈率、市净率、流动性、残差波动率等。

　　“阿尔法因子”一般指能较为稳定贡献超额收益的这类因子，其构建相对较为复杂，或数据来源比较独特。一般来说每家机构的阿尔法因子都有所不同，呈现低相关性。按数据来源，阿尔法因子可分为价量因子、基本面因子、事件驱动因子、另类数据因子等。

　　以美股为代表的海外市场和A股市场在运行机制、发展阶段、投资者结构、融资成本及约束等方面都存在较大差异，因而在如何处理阿尔法因子和风险因子方面有所不同。比如海外量化产品以“市场中性+杠杆”为主，考虑到风险因子通常会带来较大波动但不能同时带来显著收益，所以资管机构在建模过程中会尽量减少风险因子的暴露；国内量化产品中则是各类量化多头产品线规模占比最高，对多头产品来说，放开风险因子约束并未显著增加净值波动，严控风险因子反而会对阿尔法因子的发挥有一定制约。

　　从A股主流量化机构的超额数据分析可知，去掉交易量、波动率、离散度等影响量化超额的共同因子后，各家机构的超额相关性并不高，更不存在所谓的“因子同质化”。当然，量化私募管理人仍需持续开发和丰富底层因子，提升策略进化效率和加深对市场的理解，在投资组合层面持续优化模型，挖掘培养优秀人才。

（文章来源：上海证券报）