一、为什么因子是量化策略的“地基”？

做量化交易，本质上是在用历史数据找规律，再用规律去预测未来。这个“规律”在量化世界里通常被称为因子（Factor）。

一个因子可以是一个财务指标、一个技术指标，甚至是一个另类数据。比如：

• 市盈率低于行业平均的股票，未来收益是否更高？
• 过去 20 日涨幅靠前的股票，是否存在动量效应？
• 北向资金近 5 日净流入靠前的股票，会不会被机构继续买入？

每一个问题，背后都是一个因子。把多个有效因子组合起来，就形成了一个多因子选股模型。

但很多新手一上来就堆指标，拿几十个因子跑机器学习模型，结果回测收益惊人，实盘一跑就亏。问题通常不是模型不够复杂，而是因子本身的有效性没有验证过。

如果你刚开始接触量化，不确定自己适合用什么因子、从哪个方向入手，与其一个人闷头试错，不如找个靠谱的人问一下——专业的量化顾问能帮你快速判断方向，少走几个月弯路。

这篇文章会讲清楚：一个因子从想法到落地，需要经历哪些步骤；怎么判断一个因子是真的有效，还是只是在回测里"拟合"出来的；以及如何把多个因子组合成一个可执行的选股策略。

二、什么样的因子才值得放进策略里？

一个能用的因子，至少要满足三个条件：

1. 有明确的经济或行为金融学解释

因子不能只是“某个数字在历史数据里看起来涨得好”。如果你解释不清它为什么有效，那很可能只是噪声。

比如“低市盈率”因子有明确解释：估值偏低的公司，市场悲观情绪过度，未来存在修复空间，这是价值投资的核心逻辑。

再比如“动量”因子：投资者对新信息的反应常常不足，上涨趋势会延续一段时间。

如果一个因子你只能说“它过去很牛”，却说不出为什么牛，建议谨慎使用。

2. 与收益有稳定的相关性

因子值和未来收益之间应该存在可重复的相关关系。注意，是相关，不是因果。量化交易不追求解释一切，只追求“这个信号反复出现”。

通常会做IC 检验（Information Coefficient）：计算每个交易日因子值和下一天收益率的秩相关系数。IC 均值稳定为正或负，且 IC 的波动不大，这个因子才值得信赖。

3. 在不同市场环境里表现一致

牛市、熊市、震荡市里都表现还不错的因子，才有生命力。只在某一种行情里爆发的因子，实盘风险会很大。

建议把历史数据按市场环境切分，分别看因子表现。很多因子在牛市里非常强，熊市里完全失效，这种因子就要控制权重或者加过滤条件。

三、单因子构建的完整流程

一个因子从想法到可用，通常要走以下五步：

第一步：明确因子定义

以“20 日涨跌幅”动量因子为例：

• 取什么周期？5 日、20 日、60 日？
• 收益率怎么算？收盘价复权还是不复权？
• 行业间是否可比？周期股和科技股波动天然不同，是否需要行业中性化？

这些问题没有统一答案，但必须在做策略前就确定。很多策略“飘移”问题，根源就是因子定义不统一。

第二步：清洗数据，处理停牌、ST、新股

A 股市场有几个坑必须处理：

注：A股注册制改革后，主板新股上市前5个交易日不设涨跌幅限制（参考：证监会《首次公开发行股票注册管理办法》，2023年2月17日施行）。 | 除权除息 | 价格突变导致收益失真 | 必须使用前复权或后复权价格 |

这一步看似简单，但实战中 70% 的“神奇因子”都是在数据处理上出了错。

第三步：计算因子值并去极值、标准化

不同因子的量纲不一样。市盈率可能是 5 到 100，市值可能是 10 亿到 2 万亿。如果不处理，大市值股票可能天然主导某些因子。

常用方法：

• 去极值：用 MAD 法或 3σ 法把极端值拉回合理范围。
• 标准化：按行业或全市场做 Z-Score 标准化，让不同因子可比。
• 中性化：去除市值、行业的影响，让因子本身的信息更纯粹。

第四步：做分组收益检验

把所有股票按因子值从高到低分成 5 组或 10 组，观察每组未来的平均收益。如果因子有效，应该能看到明显的单调性：因子值最高的一组收益最高，最低的一组收益最低。

这叫做分组检验（Quantile Test），是判断因子有效性的基础方法。

第五步：IC 检验与换手率分析

除了分组收益，还要看：

• IC 均值：是否稳定。
• ICIR（IC 均值 / IC 标准差）：是否足够高，一般大于 0.3 算可用。
• 换手率：因子变化是否太频繁，导致交易成本吃掉收益。

一个 IC 高但换手率也高的因子，实盘可能并不赚钱。因子最终能不能落地，必须综合考虑收益和成本。

四、多因子组合：不是越多越好

很多新手以为因子越多，模型越厉害。事实恰恰相反：因子过多，容易带来多重共线性和过拟合。

比如“20 日收益率”和“60 日收益率”高度相关，两个都放进模型，其实增加不了多少信息，反而让模型不稳定。

多因子组合的常见方法

新手建议从等权合成或IC 加权开始。模型简单、可解释、好调优。等因子研究和数据处理功底扎实了，再尝试复杂模型。

组合因子的两个核心原则

1. 因子间低相关：价值、动量、质量、波动率这类不同维度的因子，组合效果通常更好。
2. 每个因子都单独验证过：不要拿一堆“可能有用”的指标一起跑模型，这样出来的权重没有经济意义。

五、回测中常见的 5 个因子陷阱

因子验证离不开回测，但回测本身也有很多坑。以下是最常见的 5 个：

1. 未来函数

用当天的财报数据去选股，但财报收盘后才发布。实盘里你根本不可能在盘中知道这个数据。所有基本面数据必须注意发布时点。

2. 幸存者偏差

回测时只拿当前还在上市的股票跑历史，那些已经退市或 ST 的股票被自动剔除了。这会让策略看起来比实际强很多。正确做法是用历史全 A 股数据，包含退市股。

3. 忽略交易成本

印花税、佣金、滑点、冲击成本，在高换手策略里会大幅侵蚀收益。做因子回测时，至少要把双边成本按 0.3% 到 0.5% 考虑进去。

4. 过拟合

因子参数太多、优化得太细，就会在历史数据上表现很好，但未来完全失效。控制过拟合的方法包括：样本外测试、滚动回测、减少参数、简化模型。

5. 参数过度优化

“20 日动量”效果好，但换成 18 日、22 日效果差很多？这通常说明因子对参数敏感，稳健性不够。好的因子应该对参数变化不那么敏感。

六、实操建议：从 3 个经典因子开始练手

如果你刚开始研究因子，建议从这三个方向入手：

1. 估值因子：EP（盈利收益率）

EP = 净利润 / 总市值。它是市盈率的倒数。大量实证研究表明，低估值股票在 A 股市场长期有超额收益。

2. 质量因子：ROE 稳定性

不是单看 ROE 高低，而是看过去 3 到 5 年 ROE 是否稳定。盈利稳定的公司，通常商业模式更成熟，风险也更可控。

3. 动量因子：20 日累计收益

短期动量在 A 股市场中长期存在，但波动较大。可以配合波动率或成交量做过滤，降低反转风险。

把这三个因子分别验证后，再尝试做价值 + 质量 + 动量的组合模型，是很多机构的经典起手式。

七、因子落地：把模型变成可执行的交易信号

因子研究到最后，必须变成能下单的信号。落地时要考虑：

• 选股范围：全 A 股、沪深 300、中证 500，还是某个行业？
• 调仓频率：日频、周频、月频？频率越高，交易成本越高。
• 持仓数量：选 10 只、30 只、50 只？集中度影响波动。
• 权重分配：等权、市值加权、风险平价？
• 风控模块：止损、仓位控制、最大回撤限制。

一个只在回测里漂亮的模型，不能叫策略。能讲清楚"买什么、什么时候买、买多少、什么时候卖"，才是真正的可执行方案。

很多人在因子落地这一步卡住了——选股范围怎么定、调仓频率设多少、持仓数量给几只，这些看起来都是参数，但每个选择背后都有实盘风险。不确定的时候，找个有实盘经验的经理聊一下，比自己硬试要靠谱得多。

八、写在最后：因子研究是慢功夫，不是找圣杯

量化因子的本质是寻找市场里反复出现的价格驱动因素。它不能保证你每笔都赚，但一个好的因子组合，可以在长期给你带来概率优势。

真正难的不是跑模型，而是对数据有敬畏、对因子有解释、对回测有戒心。如果你还在纠结“到底用哪个因子”“为什么我的因子实盘不行”，大概率不是模型不够复杂，而是验证做得不够扎实。

如果你对因子构建、多因子组合、回测验证、还是实盘落地中的某个环节感到卡壳——说实话，这些环节里任何一个都可能让你卡几周甚至几个月——与其一个人反复试错，不如直接找个靠谱的经理帮你梳理。微信搜索关注"叩富问财"服务号，输入"量化工具"就能找到我。我可以根据你目前的交易目标和数据基础，帮你做 1 对 1 的专属服务：手把手演示因子从 0 到 1 的构建过程、帮你避开回测和实盘中的常见大坑、提供适合你账户规模和风险偏好的操作攻略。不确定的时候，问一下比你硬试更靠谱。

（说明：量化交易涉及市场风险，历史表现不代表未来收益，本文仅供学习交流，不构成具体投资建议。）