因子投资 FAQ：CAPM、Alpha 到多因子的 7 个关键问题

Q: CAPM 的公式是什么？β、无风险利率和市场回报各怎么取？

CAPM 的公式为 E(Ri) = Rf + β(E(Rm) − Rf) ：资产预期回报 = 无风险利率 + β ×（市场风险溢价）。三个要素的取法： 无风险利率 Rf ：一般用国债收益率（期限与预期持有期匹配；短期流动性好的股票可用一年期国债）； 市场回报 Rm ：常用对应指数代替，如沪深 300 指增策略就用沪深 300 成份股指数；A 股常见指数还有上证 50、中证 500、中证 1000、中证 2000 等； β ： β = Cov(Ri, Rm) / Var(Rm) ，衡量个股相对市场的波动敏感度。市场整体 β = 1.0；β < 1 为防御型，β > 1 为激进型。例：市场回报 12.4%、Rf 为 0、个股 β = 1.1 时，预期回报约 13.7%。

Q: 为什么机器学习正在取代线性多因子模型？

传统多因子模型主要用线性拟合，存在两个明显短板： 线性假设过强 ：因子与收益的真实关系常常是非线性的。神经网络等机器学习模型理论上可以拟合任意线性/非线性函数，本质是学习一组因子权重（参数）； 抗过拟合能力更强 ：机器学习提供正则化、交叉验证等技术，能生成更稳健的模型。 需要注意的是，机器学习并非万能：在资产管理、尤其是价格预测任务上，许多场景下仍难以超越经典机器学习算法——特别是 XGBoost、LightGBM 这类集成模型，它们目前仍是量化交易领域应用最广、效果最好的模型。

Q: 从一个因子到实盘策略，要经过哪几步？

因子分析与检验 ：在无费用、静态价格、不限量成交的理想假设下评估因子对未来收益的解释能力； 回测验证 ：引入手续费、滑点、T+1 限制、涨跌停等真实约束，验证模型能否在真实交易中盈利； 仓位管理与风险控制 ：确定资金分配与风控规则； 实盘交易 ：大资金还需自建拆单/跟单算法（交易成本模型），减少委托对价格的冲击。

English 📅 2026-10-08 因子策略课程进阶 👁 本月阅读 —

因子投资 (factor investing) 认为资产回报可分解为公司特质中可量化的因子——找到有效因子并恰当组合，就能形成有效的投资策略。本文从《因子分析与机器学习策略》第 1 章「导论」提炼出 7 个最常被问到的关键问题。

常见问题

因子投资是什么？它解决什么问题？

因子投资是一种投资方法：它认为资产回报可以分解为一系列可量化的因子（如规模、价值、动量、质量）。研究者寻找能解释未来收益的有效因子，再把它们组合起来形成策略。它发端于马科维茨的现代投资组合理论（MPT，1952）与威廉·夏普等人的资本资产定价模型（CAPM，1964）——两者都是现代金融学的七个基本理论之一，马科维茨与夏普因此共同获得 1990 年诺贝尔经济学奖。

CAPM 的公式是什么？β、无风险利率和市场回报各怎么取？

CAPM 的公式为 E(Ri) = Rf + β(E(Rm) − Rf)：资产预期回报 = 无风险利率 + β ×（市场风险溢价）。三个要素的取法：

无风险利率 Rf：一般用国债收益率（期限与预期持有期匹配；短期流动性好的股票可用一年期国债）；
市场回报 Rm：常用对应指数代替，如沪深 300 指增策略就用沪深 300 成份股指数；A 股常见指数还有上证 50、中证 500、中证 1000、中证 2000 等；
β：β = Cov(Ri, Rm) / Var(Rm)，衡量个股相对市场的波动敏感度。市场整体 β = 1.0；β < 1 为防御型，β > 1 为激进型。例：市场回报 12.4%、Rf 为 0、个股 β = 1.1 时，预期回报约 13.7%。

Alpha 是什么？它和「因子」是什么关系？

Alpha 最初是 1968 年麦克·詹森 (Michael Jensen) 在博士论文中提出的策略表现指标（Jensen's Alpha）：用组合实际回报减去 CAPM 预期回报的残差，即超额收益：α = Rp − β(E(Rm) − Rf) − Rf。随着用法演变，WorldQuant 把 Alpha 定义为「能为组合增值的交易信号」（Alpha101 因子库的 Alpha 即是此意），Alphalens 框架的名字（Alpha + Lens）也包含「寻找 Alpha（信号）」之意。因此，因子挖掘就是寻找带 Alpha 的因子，两者密不可分，实践中一般无需严格区分。

多因子模型是怎么发展起来的？

CAPM 只包含一个市场风险因子，无法完全解释资产回报，由此产生的「异象 (anomalies)」推动了一个个新因子的发现：

1976 年：Stephen Ross 发表套利定价理论（APT），首次提出证券回报应由多个因子解释，开启多因子研究；
1981 年：Rolf Banz 基于纽交所 40 年数据发现小市值股票月均收益高约 0.4%，确立规模因子；
1993 年：Fama 与 French 提出三因子模型（市场、规模、价值；价值用账面市值比/类似 PB 度量）；
1993 年：Jegadeesh 与 Titman 的研究确立了动量因子（高动量股票存在溢价）；
2015 年：Fama 与 French 扩展出五因子模型（增加盈利能力和投资能力因子）；
2017 年：Stambaugh 与 Yuan 提出包含两个错误定价因子的四因子模型，并在附录中汇总了 73 种异常现象作为因子挖掘线索。

「因子动物园」是什么问题？

随着异象研究不断累积，因子数量爆炸式增长（学界称为「因子动物园」）。据对 2023 年私募策略路演报告的分析，中频量化策略一般使用 300 个以上的因子；高频策略中有的报告称使用了 20 万个因子。核心问题随之而来：在如此多的特征中，哪些提供独立的信息，哪些是冗余的？如何找到合适的工具处理这种高维信息、实现去噪提纯？这正是建立体系化因子分析方法（本课程以 Alphalens 为核心框架）的原因。

为什么机器学习正在取代线性多因子模型？

传统多因子模型主要用线性拟合，存在两个明显短板：

线性假设过强：因子与收益的真实关系常常是非线性的。神经网络等机器学习模型理论上可以拟合任意线性/非线性函数，本质是学习一组因子权重（参数）；
抗过拟合能力更强：机器学习提供正则化、交叉验证等技术，能生成更稳健的模型。

需要注意的是，机器学习并非万能：在资产管理、尤其是价格预测任务上，许多场景下仍难以超越经典机器学习算法——特别是 XGBoost、LightGBM 这类集成模型，它们目前仍是量化交易领域应用最广、效果最好的模型。

从一个因子到实盘策略，要经过哪几步？

因子分析与检验：在无费用、静态价格、不限量成交的理想假设下评估因子对未来收益的解释能力；
回测验证：引入手续费、滑点、T+1 限制、涨跌停等真实约束，验证模型能否在真实交易中盈利；
仓位管理与风险控制：确定资金分配与风控规则；
实盘交易：大资金还需自建拆单/跟单算法（交易成本模型），减少委托对价格的冲击。

如何入门因子投资（学习路径）

打基础：Python 编程 + 大学统计学基础（《量化 24 课》有系统讲解）；
掌握工具：Numpy/Pandas（建议配合免费的《量化交易中的 Numpy 和 Pandas》）；
学因子分析：从因子生成、预处理到单因子检验（回归法、IC 分析、分层回溯），先手动实现，再上手 Alphalens；
学机器学习建模：sklearn 通用工具 → 交叉验证与调参 → XGBoost/LightGBM 策略示例；
拓展因子库：Alpha101、Ta-lib、基本面与另类因子。

以上内容系统覆盖在《因子分析与机器学习策略》课程的第 1 章「导论」中，完整大纲见课程大纲。