因子投资:方法与实践

精读全文

第 1 章 · 什么是因子:从 CAPM 到 Fama-French

如果有人告诉你，股市里的赚钱机会，其实是有规律可循的——你信吗？几十年来，全球最聪明的一批人，用数据、用模型、用几十年的历史去验证这件事。他们找到的答案，叫做"因子"。

想象一个问题。

你买了一支股票，赚了钱。

这钱，是你运气好？还是你承担了某种风险，市场给你的补偿？

听起来像哲学题。但这个问题，在过去七十年里，让无数经济学家、数学家、基金经理争得头破血流。

而这本书，就是要把这场争论的答案，清清楚楚摆在你面前。

---

**全书导览**

这本书叫《因子投资：方法与实践》，作者是石川等人。

这本书我们会分四章来读。

第一章，我们从最基础的问题切入——什么是因子？从最早的单因子模型 CAPM，到后来颠覆它的法玛-弗伦奇三因子模型，我们搞清楚"因子"这个词到底在说什么。

第二章，我们深入五个经典因子，看数据怎么说。价值、规模、动量、盈利、投资——每一个背后，都有真实的历史数据在撑腰。

第三章，我们走到实操层面。聪明贝塔 ETF、多因子打分、A 股的特殊性——因子怎么真正落地成一个投资组合？

第四章，我们踩刹车。回测陷阱、数据挖掘偏差、因子拥挤——因子投资的边界在哪里？什么情况下它会失效？

好，现在我们从第一章开始。

---

**故事从一九五二年说起**

那一年，一个二十五岁的年轻人，坐在芝加哥大学图书馆里，读到一篇改变他一生的论文。

这个年轻人叫哈里·马科维茨。那篇论文，是他自己写的。

他提出了一个在当时看来几乎是异端的想法：投资不能只看收益，必须同时看风险。而风险，可以用波动率来衡量。更重要的是，把不同资产组合在一起，可以在不降低收益的前提下，降低整体风险。

这就是现代投资组合理论的起点。

但马科维茨的理论有一个问题——太复杂了。他的模型需要计算每两支股票之间的相关性。如果你有一百支股票，你需要计算将近五千个相关系数。在那个没有电脑的年代，根本没法用。

---

**威廉·夏普的简化**

十年后，一九六四年。

威廉·夏普站出来说：我来简化它。

他的核心想法是这样的——与其追踪每两支股票之间的关系，不如找一个"公共驱动力"。这个公共驱动力，就是整个市场的涨跌。

他的逻辑是：一支股票的价格波动，可以分成两部分。

第一部分，跟市场一起动。市场涨，它涨；市场跌，它跌。这部分叫"系统性风险"，是无法通过分散投资消除的。

第二部分，是它自己独特的波动。这部分叫"非系统性风险"，可以通过买很多支股票来对冲掉。

夏普说：既然非系统性风险可以消除，市场就不应该给你补偿。真正应该被补偿的，只有系统性风险。

这个系统性风险，用一个希腊字母来衡量——

贝塔。

---

**CAPM：一个优雅的世界**

夏普的模型，叫资本资产定价模型，简称 CAPM。

它的逻辑极其简洁：一支股票的预期收益，等于无风险利率，加上贝塔乘以市场风险溢价。

用大白话说就是——你承担的市场风险越高，你的预期回报就应该越高。

贝塔等于一，就是跟市场同步。贝塔等于二，市场涨百分之十，你涨百分之二十；市场跌百分之十，你跌百分之二十。

这个模型，漂亮。优雅。简单。

一九九〇年，威廉·夏普因此拿到了诺贝尔经济学奖。

但是——

等等。

---

**数据打脸**

如果 CAPM 是对的，那么世界上应该只有一个变量能解释股票收益的差异：贝塔。

高贝塔的股票，长期表现应该更好。

你猜数据怎么说？

不对。

从二十世纪六十年代开始，就有研究者发现，高贝塔的股票，长期表现并没有显著优于低贝塔的股票。

更麻烦的是，有人发现了一些 CAPM 完全解释不了的现象。

比如，小公司的股票，长期回报高于大公司。

比如，低市净率的股票（也就是"便宜"的股票），长期回报高于高市净率的股票。

CAPM 对这些现象的解释是：没有解释。

这叫"异象"。

---

**法玛和弗伦奇出场**

一九九二年。

尤金·法玛和肯尼斯·弗伦奇发表了一篇论文。

这篇论文，在学术界引发了地震。

他们用美国股市从一九六三年到一九九〇年，将近三十年的数据，系统地检验了 CAPM。

结论？

石川在书中的核心观点是：贝塔与股票截面收益之间，几乎没有显著的正相关关系。

换句话说——

CAPM，在数据面前，败了。

但法玛和弗伦奇没有止步于此。他们接着问：那什么变量，能更好地解释股票收益的差异？

他们找到了两个。

第一个：规模。小公司股票，系统性地跑赢大公司股票。

第二个：价值。低市净率股票（价值股），系统性地跑赢高市净率股票（成长股）。

---

**三因子模型诞生**

法玛和弗伦奇把这两个变量，加上原来的市场因子，合在一起，构建了一个新模型。

三个因子。

第一，市场因子：整体市场相对无风险利率的超额收益。

第二，规模因子 SMB：小公司股票组合，减去大公司股票组合的收益差。SMB 是英文"小减大"的缩写。

第三，价值因子 HML：高市净率比率股票组合，减去低市净率比率股票组合的收益差。HML 是英文"高减低"的缩写。

这就是法玛-弗伦奇三因子模型。

它对股票收益差异的解释力，远超 CAPM。

---

**但"因子"到底是什么？**

好，到这里，你可能已经有点晕了。

让我们停下来，把最关键的概念说清楚。

因子，到底是什么？

石川在书中写道：因子是能够系统性地解释一组资产收益差异的、可量化的特征变量。

注意这里的每一个词。

"系统性"——不是偶尔，是长期、稳定、跨市场地存在。

"解释收益差异"——不是解释某一支股票的绝对涨跌，而是解释为什么这组股票跑赢那组股票。

"可量化的特征变量"——必须能用数据算出来，不能是"感觉这公司不错"。

---

**因子背后的两种逻辑**

这里有一个根本性的争论，至今没有完全平息。

为什么这些因子会带来超额收益？

有两种解释。

第一种：风险补偿。

这是法玛自己的立场。他认为，价值股之所以长期跑赢，是因为它们更危险。便宜的公司，往往是陷入困境的公司。你买它，承担了更大的财务风险。市场给你的高回报，是对这个风险的补偿。

第二种：行为偏差。

另一批学者认为，这跟风险没关系。是因为投资者不理性。大家系统性地高估成长股，低估价值股，导致价值股被低估，未来回报更高。

这两种解释，对投资者的含义完全不同。

如果是风险补偿——那你得问自己：我愿意承担这个风险吗？

如果是行为偏差——那你得问自己：这个偏差会永远存在吗？还是有一天会被套利掉？

---

**动量因子：法玛最不愿意承认的那个**

说到这里，必须提一个因子。

动量。

一九九三年，马克·卡哈特等人发现了一个现象：过去三到十二个月涨得好的股票，接下来三到十二个月，往往还会继续涨。

这就是动量效应。

这个发现，让法玛非常不舒服。

因为动量效应，很难用风险来解释。一支股票涨得好，它的风险并没有系统性地增加。但它的未来回报，却显著更高。

这更像是行为偏差的证据——投资者反应不足，好消息没有被立刻充分定价，于是价格慢慢地继续上涨。

动量因子，成了因子投资世界里最有争议、也最有实战价值的因子之一。

---

**当下映射：A 股的因子世界**

说到这里，你可能会问：这些都是美国市场的研究，A 股有用吗？

有意思的是，A 股的因子有效性，和美股既有相似，也有不同。

比如，A 股的动量效应，在历史上并不像美股那么稳定，甚至在某些时期出现了反转效应——就是短期涨得好的股票，反而接下来跌。

而价值因子和规模因子，在 A 股历史上有过相当显著的表现，尤其是小市值效应，在二〇一五年之前，几乎是 A 股最强的因子之一。

但这些有效性，会随着市场结构的变化而变化。

这也是这本书后面要深入讨论的问题。

---

**本章小结**

好，我们来整理一下今天讲的脉络。

从马科维茨的组合理论，到夏普的 CAPM，人们曾经相信：市场风险（贝塔），是解释股票收益差异的唯一因子。

但数据不买账。

法玛和弗伦奇用将近三十年的美股数据证明：规模和价值，能解释 CAPM 解释不了的部分。

三因子模型由此诞生。

而"因子"这个概念，也从此成为量化投资的核心语言——它是一种对收益来源的拆解，是对"钱从哪里来"这个问题的系统性回答。

---

但是，知道因子存在，只是第一步。

真正的问题来了：这些因子，在历史数据里，到底表现如何？

价值因子 HML、规模因子 SMB、动量因子 MOM，还有后来加入的盈利因子和投资因子——它们各自的历史收益是多少？波动有多大？在哪些年份失效过？

数据，会告诉我们一个比理论更复杂、也更真实的故事。

下一章，我们就来看：经典五因子，数据怎么说？

第 2 章 · 经典五因子:数据怎么说

五个因子，听起来像五件武器。

但武器好不好用，得看数据说话。

价值、规模、动量、盈利、投资——这五个词背后，藏着几十年的市场真相。今天，我们来看看，数字到底支不支持这套理论。

上一章，我们讲了因子投资的理论地基。

从 CAPM 的单因子世界，到法玛和弗伦奇的三因子模型，核心逻辑只有一句话：超额收益，是风险的补偿。市场不是白给你钱的，你赚到的，是你承担了某种系统性风险。

今天，我们不聊理论了。

我们来看数据。

---

**先说一个场景。**

一九九二年。

法玛和弗伦奇发表了那篇改变投资界的论文。他们翻遍了美国股市几十年的数据，问了一个简单粗暴的问题：到底是什么，在驱动股票的长期回报？

结论震动了整个学界。

不是市场贝塔。

不是公司大小。

是两个东西同时在起作用——规模，和价值。

小公司，长期跑赢大公司。

低估值股票，长期跑赢高估值股票。

这两个发现，就是因子投资的起点。

---

**第一个因子：价值因子，HML**

HML，三个字母。

H 是高账面市值比，L 是低账面市值比，M 是减号。

翻译成人话就是：买便宜的，卖贵的，看谁赚得多。

石川等人在书中写道，价值因子的逻辑非常直观——便宜货往往被市场低估，而低估终究会被纠正。

但数据怎么说？

美国市场，从一九二六年到近年，HML 因子的年化超额收益大约在

**百分之四到五。**

听起来不多？

别急。这是每年，持续几十年，稳定跑出来的。

更关键的是，这个收益不是靠运气堆出来的。统计显著性很高。换句话说，这不是噪音，这是信号。

但等等——

有没有哪段时间，价值因子失效了？

有。

二零一零年代，成长股横扫一切。科技巨头的估值越来越高，但股价还在涨。价值投资者一边骂市场疯了，一边眼睁睁看着自己的组合跑输大盘。

这一段，很痛苦。

但书里的核心观点是：因子不是每年都有效，但它的有效性，经得起长周期的检验。短期失效，不代表逻辑破了，代表的是——你需要更长的耐心。

---

**第二个因子：规模因子，SMB**

SMB，小公司减大公司。

逻辑也很简单：小公司流动性差，信息透明度低，市场关注少，所以承担了更高的风险，理应获得更高的补偿。

数据支持吗？

美国市场，SMB 的长期年化超额收益大约是

**百分之二到三。**

比价值因子小一点。

但问题来了。

近年来，有很多研究开始质疑规模因子。他们说，如果你把数据里的"微型股"——那些极小极小的公司——剔除掉，规模效应就几乎消失了。

这是一个很重要的提醒。

因子，有时候是真实的风险补偿。有时候，是数据里的噪音和幸存者偏差。

怎么区分？

这就是为什么我们需要反复验证，在不同市场、不同时期、不同方法下，看它是不是还在。

---

**第三个因子：动量因子，MOM**

停一下。

动量因子，是这五个里面最"反直觉"的一个。

价值和规模，好歹有风险逻辑撑着。但动量是什么？

涨得好的股票，继续涨。跌得惨的股票，继续跌。

这听起来，像是在说废话。

但数据偏偏就是这样。

尤金·法玛（Eugene Fama）本人，最初对动量因子是抵触的。他是有效市场假说的旗手，他怎么可能接受"过去涨就会继续涨"这种说法？

但数字摆在面前，他也没法否认。

动量因子在美国市场的年化超额收益，大约是

**百分之八到十。**

这是五个因子里最高的。

但风险也最高。

动量策略有一个致命弱点——崩溃。

当市场发生剧烈反转，动量组合会在极短时间内遭受毁灭性损失。二零零九年三月，金融危机触底反弹，之前跌得最惨的股票突然暴涨，动量多头组合在几周内损失惨重。

石川等人在书中对此有清醒的表述，他的核心观点是：动量因子的高收益，是对"崩溃风险"的补偿。天下没有免费的午餐，高回报背后，是你必须承担的尾部风险。

---

**第四个因子：盈利因子，RMW**

RMW，盈利能力强的公司减去盈利能力弱的公司。

这个因子是法玛和弗伦奇在二零一五年扩展五因子模型时加进来的。

逻辑很直接：盈利好的公司，内在价值更高，长期回报更好。

但有意思的地方在哪里？

盈利因子，和价值因子，在某种程度上是"反着的"。

便宜的股票，往往盈利不好。盈利好的股票，往往估值不低。

所以当你同时持有价值因子和盈利因子，它们会互相"对冲"一部分。

这不是坏事。

这是分散化。

数据上，RMW 在美国市场的年化超额收益大约是

**百分之三到四。**

更重要的是，它和其他因子的相关性低，加进组合里，能显著改善风险调整后的收益。

---

**第五个因子：投资因子，CMA**

CMA，保守投资的公司减去激进投资的公司。

什么叫激进投资？就是一个公司不停地扩张，大量买资产，大量花钱。

市场的规律是：过度投资的公司，长期股价表现往往不好。

为什么？

有几种解释。

一种是风险解释：保守的公司风险更低，但市场对它们的定价也更低，所以反而有超额收益。

另一种是行为解释：管理层过度自信，乱投资，损害了股东利益，市场最终会惩罚这种行为。

哪种解释对？

老实说，学界还没有定论。

但数据是清楚的。CMA 在美国市场的年化超额收益大约是

**百分之三左右。**

---

**那么，A 股呢？**

说了这么多美国数据，A 股的情况怎么样？

这是一个非常值得关注的问题。

因为 A 股和美股，是两个性格完全不同的市场。

A 股散户比例更高，信息不对称更严重，市场情绪波动更剧烈。

结果是什么？

动量因子在 A 股，历史上有效性相对较弱——甚至有时候是"反转效应"，也就是涨多了反而要跌。

价值因子在 A 股，有效，但波动更大，需要更长的持有周期。

规模因子在 A 股，历史上非常显著——小公司跑赢大公司的现象，在 A 股比美股更明显。

但这里有一个当下的映射需要注意。

二零二三年之后，A 股的市场结构在发生变化。机构化程度在提高，量化资金规模在扩大。当越来越多的人用同一套因子策略在市场里操作，这些因子还会继续有效吗？

这个问题，我们先在这里埋下一颗种子。

---

**五个因子，放在一起看**

让我们退后一步，把五个因子放在一起。

价值、规模、动量、盈利、投资。

它们有一个共同点：

在长周期数据里，都有统计显著的超额收益。

但它们也有一个共同的局限：

没有一个因子，能在所有时期都有效。

这就是为什么，单押一个因子，是危险的。

这就是为什么，多因子组合，才是实践的方向。

但组合怎么配？权重怎么定？A 股的因子有没有特殊性？调仓多久一次才合适？

数据给了我们信心，但实操还有一大堆问题没解决。

理论懂了，数据也看了——但真正要把这套东西用起来，你知道最大的拦路虎是什么吗？下一章，我们进入真实的投资组合构建，看看 Smart Beta 和多因子策略，在实战里到底长什么样。

第 3 章 · 组合实操:Smart Beta 与多因子配置

你已经知道了价值、规模、动量这些因子。但知道因子是一回事，真正用它们赚钱，是另一回事。调仓频率怎么定？多个因子怎么组合？A 股的因子有效吗？今天我们直接进实操。

上一章我们把五大经典因子拆开来看了个遍——价值、规模、动量、盈利、投资。数据摆在那里，长期来看，这些因子确实能带来超额收益。核心结论就一句话：因子有效，但不是每年都有效，你需要足够长的耐心和足够宽的视野。

今天，我们不聊数据了。

我们来聊怎么用。

---

**先回到一个具体的时间节点。**

二〇〇六年。

美国市场上出现了一批奇怪的 ETF。

它们不跟踪市值加权的标普五百指数，而是按照股息率、低波动、基本面指标来选股、加权。基金公司给它们起了一个好听的名字——

Smart Beta。

聪明贝塔。

言下之意，普通的市值加权指数是"笨贝塔"，而这些按因子构建的指数，才是"聪明的"。

这个名字一出，整个被动投资圈都被点燃了。投资者问：我能不能既享受指数基金的低成本、高透明度，又能顺手赚到因子溢价？

答案是：理论上，可以。

但现实，远比理论复杂。

---

**Smart Beta 到底是什么？**

石川等人在书中的核心观点是：Smart Beta 本质上是因子投资的产品化。它把学术界发现的因子——价值、低波动、动量、质量——打包成可交易的指数产品，让普通投资者也能系统性地暴露在这些因子上。

听起来很美。

但停一下。

你有没有想过一个问题：同样是"价值因子 ETF"，不同产品的表现可以差到天壤之别。

为什么？

因为"价值"这个词，背后藏着几十种不同的定义方式。

有的产品用市净率。有的用市盈率。有的用企业价值倍数。有的把这三个混在一起打分。

定义不同，选出来的股票池就不同。

股票池不同，收益就不同。

所以买 Smart Beta ETF 之前，你最需要做的一件事，不是看过去三年的收益率——

而是打开它的招募说明书，搞清楚它到底用的是哪个因子、怎么定义的。

这是第一个坑。

---

**然后我们来说第二个更大的问题：多因子怎么组合？**

假设你现在手上有五个因子：价值、规模、动量、盈利、低波动。

你会怎么用它们？

最直觉的做法是：每个因子单独建一个组合，然后把五个组合等权重加在一起。

这叫"因子组合混合法"。

简单。粗暴。有一定效果。

但石川在书中指出，还有一种更精细的做法——

多因子打分法。

具体是什么意思？

你不是先建五个单因子组合，再把它们加在一起。

而是对每一只股票，同时在五个维度上打分，算出一个综合得分，然后直接按综合得分选股。

这两种方法，区别大吗？

大。

举个例子。

假设有一只股票，价值得分极高，但动量得分极低。

用"因子组合混合法"，这只股票会进价值因子组合，但不会进动量因子组合。两个组合加在一起，它的权重被稀释了，但还是有一定暴露。

用"多因子打分法"，这只股票的综合得分可能只是中等，直接被排在中间梯队，拿不到高权重。

哪种更好？

没有绝对答案。

但多因子打分法的优势在于：它能筛选出在多个维度上同时表现优秀的股票，而不是在某一个维度上极端突出的股票。

这类股票，往往更稳健。

---

**说到 A 股，我们必须单独拿出来聊。**

因为 A 股的因子有效性，和美股是不一样的。

这一点，石川等人在书中有非常直接的表述：A 股市场有其独特的结构性特征，这些特征会显著影响因子的有效性。

具体说，有几个关键差异。

第一，A 股的动量因子，历史上表现并不稳定。

在美股，动量效应非常显著——过去半年涨得好的股票，未来半年大概率还会继续涨。

但在 A 股，这个规律要弱得多。

为什么？

A 股的散户比例远高于美股。散户喜欢追涨杀跌，但也喜欢"买跌"，认为涨多了要跌、跌多了要涨。这种行为模式，会在一定程度上抵消动量效应。

第二，A 股的价值因子，在某些时期有效，在某些时期完全失灵。

二〇一五年那场牛市，你还记得吗？

市场几乎不看基本面，什么概念热就买什么。传统意义上的"低估值"股票，在那段时间大幅跑输市场。

价值因子，在极度情绪化的市场里，会暂时失效。

第三，A 股的规模因子，历史上非常显著——

小市值股票长期跑赢大市值股票。

但这背后，有一部分原因是 A 股的退市制度不完善，小市值公司被壳资源炒作，带来了一种"虚假的"规模溢价。

随着注册制推进、退市加速，这部分溢价正在被压缩。

所以在 A 股做因子投资，不能照搬美股的经验。

你需要重新验证，重新校准。

---

**现在我们来说一个很多人忽略的实操问题：调仓频率。**

你建好了一个多因子组合。

多久换一次仓？

每天？每周？每月？每季度？

直觉上，你可能觉得换得越勤，越能跟上因子信号的变化，收益越好。

停。

这个直觉是错的。

石川等人在书中明确指出：调仓频率越高，交易成本越高，对净收益的侵蚀就越严重。

A 股的交易成本，包括印花税、佣金、冲击成本，加在一起，对于小市值股票来说，单次换仓的成本可以达到百分之零点五甚至更高。

百分之零点五。

听起来不多？

一年换仓十二次，双边来回，成本可能吃掉你百分之十二的收益。

这已经是很多因子年化超额收益的全部了。

所以，调仓频率不是越高越好。

大多数实证研究表明，对于基于基本面的价值、盈利类因子，月度或季度调仓是比较合理的频率。

对于动量类因子，可以适当提高频率，但也不宜超过月度。

这不是精确的公式，但是一个有用的经验范围。

---

**最后，我们来说一个更深层的问题：容量与拥挤度。**

这是很多散户投资者没想到过的问题。

因子策略，有没有"装不下钱"的问题？

答案是：有。

而且非常严重。

想象一下。

某个因子策略在过去十年的回测中表现极好。于是越来越多的机构开始用它。大家都在买同样的股票，都在同样的时间点买入、卖出。

会发生什么？

买入的时候，大家一起把价格推高，导致买入成本上升。

卖出的时候，大家一起抛售，导致卖出价格下跌，冲击成本急剧扩大。

这就叫因子拥挤。

石川等人在书中对此有深刻的警示：当某个因子策略被过多资金追逐时，它的超额收益会被侵蚀，极端情况下甚至会出现"因子崩溃"——所有持有这个因子的组合同时大幅亏损。

二〇〇七年八月。

美国量化基金圈发生了一件著名的事件，后来被称为"宽客危机"。

那一周，几乎所有量化多因子基金同时出现了巨大亏损。

原因就是：太多基金持有了太相似的因子组合。当其中一家基金因为流动性压力开始强制平仓，引发了连锁反应，所有人同时踩踏出逃。

这不是理论。

这是真实发生过的历史。

所以，容量是因子策略的天花板。

当你管理的资金体量足够大，你必须考虑：你的买卖行为本身，会不会影响市场价格？你的策略，还有多少超额收益的空间？

对于普通个人投资者来说，这个问题不那么紧迫。

但对于想要认真做量化投资的人，这是绕不开的现实约束。

---

**好，我们来做个小结。**

今天这一章，我们从理论走进了实操。

Smart Beta 是因子投资的产品化，但你要看清楚它用的是哪个因子、怎么定义的。

多因子打分法，能筛出在多个维度同时优秀的股票，比简单叠加更精细。

A 股有自己的因子逻辑，不能照搬海外经验，需要独立验证。

调仓频率要和交易成本做权衡，频繁换仓会把超额收益吃光。

容量和拥挤度，是因子策略的隐形天花板。

这些，是把因子从论文变成真金白银必须面对的问题。

但是——

等等。

你有没有想过一个更根本的问题？

我们讲了这么多因子，这么多策略，这么多数据。

这些数据，是真的吗？

回测出来的收益，是真实可以拿到手的收益吗？

还是说，我们只是在用历史数据，讲一个自己想听的故事？

下一章，我们要进入这本书最让人不安的部分——

回测过拟合、数据挖掘偏差、因子衰减。

量化投资的边界，到底在哪里？

你准备好了吗？

第 4 章 · 陷阱与边界:回测过拟合与因子衰减

你有没有想过——一个在历史数据上完美运行的策略，上线第一天就开始亏钱？这不是运气问题，也不是市场变了。很可能，从一开始，那个策略就是假的。今天这一章，我们来聊量化投资最危险的那道坎。

上一章我们把因子投资的实操层面走了一遍。

Smart Beta、多因子打分、A 股的特殊性、调仓频率……

核心结论是：因子有效，但要落地，细节决定生死。

今天，我们来收尾。

不聊怎么赚钱了。

我们来聊——怎么避免被坑。

---

**先还原一个场景。**

二〇〇七年。

华尔街。

一家量化对冲基金的研究员，盯着屏幕上的回测报告。

年化收益，三十二个百分点。

最大回撤，不超过八个百分点。

夏普比率，两点一。

他把报告递给基金经理，说：这个策略跑了十五年的历史数据，非常稳。

基金经理点点头。

上线。

然后——

二〇〇七年八月，量化危机爆发。

那一周，几乎所有用类似逻辑构建的量化基金，同时巨亏。

有的单周跌了百分之二十。

为什么？

策略没问题。

逻辑没问题。

但有一件事，他们忽略了。

---

**这件事，叫做回测过拟合。**

什么是回测过拟合？

简单说：你用历史数据找规律，找着找着，找出了一个"假规律"。

它在历史数据上表现完美，因为它本来就是从这段历史数据里"挖"出来的。

你把数据挖了一遍又一遍，换参数、换周期、换组合方式，直到找到一个看起来很好的结果。

然后你以为这是"发现"。

其实，你只是在做数据拟合。

石川在书中写道，这个问题的本质是：研究者在不知不觉中，把历史数据的"噪声"当成了"信号"。

停。

这句话要细品。

噪声，是随机的波动。

信号，是真实存在的规律。

历史数据里，两者混在一起。

你的模型越复杂，参数越多，它就越能"解释"历史——但它解释的，很可能是噪声。

等到真实市场来了，噪声消失了，你的策略就垮了。

---

**有多严重？**

美国学者坎贝尔·哈维做过一个统计。

金融学术期刊上发表的因子研究，数量超过——

三百个。

三百个因子。

每一个，在论文里都有统计显著性支撑。

但他的核心观点是：其中相当大比例，可能根本经不起样本外检验。

为什么？

因为发表偏差。

做研究的人，找到了有效的因子，就发表。

找到了无效的因子，就不发表。

于是你看到的，全是"有效"的。

这就像一个赌场，只把赢钱的客人推出来做广告。

你看到的，全是赢家。

---

**这在量化圈有个专门的名字：数据挖掘偏差。**

英文叫 Data Snooping Bias。

石川在书中特别强调，这是量化投资领域最隐蔽、也最致命的陷阱之一。

为什么隐蔽？

因为你自己都不知道自己在挖数据。

你以为你在做严谨的研究。

你有逻辑、有假设、有统计检验。

但如果你在同一批数据上反复测试，哪怕每次都"有逻辑"，最终结论的可靠性也在下降。

统计学有个概念叫"多重检验"。

你做一次检验，误报概率是百分之五。

你做二十次检验，至少有一次误报的概率——

超过六成。

六成。

所以，当你看到一个"显著有效"的因子，第一个问题不是"它为什么有效"，而是——

它被测试过多少次？

---

**好，假设你的因子是真实的。**

假设它经过了严格的样本外验证。

假设它不是数据挖掘的产物。

然后呢？

然后你还有另一个问题。

叫做因子拥挤。

---

**再还原一个场景。**

二〇一五年到二〇一八年。

A 股市场。

量化投资开始大规模兴起。

越来越多的私募基金、公募基金，开始用同样的因子——

低估值、高动量、小市值。

大家都在用。

大家都在买同样的股票。

这些股票的价格，被推高了。

因子还有效吗？

短期看，更有效了——因为更多人买，价格涨得更快。

但这只是幻觉。

等到某一天，市场风格切换，或者某个大型机构开始减仓——

所有用同样因子的策略，同时触发卖出信号。

同时卖。

流动性枯竭。

价格暴跌。

这就是因子拥挤的崩塌方式。

不是慢慢失效，而是——

突然断裂。

---

**这个场景，和二〇〇七年华尔街的量化危机，本质上是一回事。**

太多人用同样的逻辑，同样的因子，同样的进出场规则。

市场一旦异动，所有人同时踩踏。

书中的核心观点是：因子的有效性，不是一个静态的存在，而是动态的，会随着使用它的资金规模变化。

当一个因子被发现、被广泛使用，它的超额收益就开始被侵蚀。

这不是阴谋，这是市场竞争的自然结果。

你发现了一个金矿。

你挖。

别人也发现了。

也挖。

金矿挖空了。

超额收益，消失了。

---

**那因子轮动呢？**

有人说：没关系，因子会轮动。

价值因子失效的时候，动量因子有效。

动量因子失效的时候，质量因子有效。

我只要跟着轮，不就行了？

听起来很聪明。

但等等。

你怎么知道，现在轮到哪个因子？

如果你用历史数据来判断因子轮动规律——

你又回到了回测过拟合的陷阱里。

因子轮动本身，也需要预测。

而预测，是量化投资里最难的事。

石川在书中对此相当克制，他的态度是：因子轮动有其逻辑，但对轮动时机的预测，目前没有可靠的方法。

克制。

这两个字，我觉得是整本书最值钱的地方。

---

**来看一个当下的映射案例。**

二〇二三年，A 股市场。

有一批量化基金，用的是超高频的小市值因子策略。

在某些阶段，年化收益非常亮眼。

但二〇二四年初，监管收紧，市场流动性结构变化，小市值股票集体暴跌。

那些策略，单周最大回撤超过二十个百分点。

很多投资者不理解：明明历史数据这么好，为什么突然就不行了？

答案就在这本书里。

第一，策略可能本身就存在过拟合——在特定市场结构下"挖"出来的，换个环境就失效。

第二，因子拥挤——太多资金用同样逻辑，同样的崩塌方式。

第三，容量限制——策略的超额收益，和它能承载的资金规模，是反比关系。规模越大，越难赚。

这不是某家基金的失误。

这是量化投资的结构性边界。

---

**那量化投资，到底有没有用？**

有用。

但你要知道它的边界在哪里。

边界一：回测不等于未来。

任何策略，都要做样本外验证。

不是用同一批数据的后半段，而是真正的"未来数据"——也就是实盘检验。

边界二：因子有效性是动态的。

今天有效，不代表明天有效。

规模越大，超额收益越难维持。

边界三：轮动难以预测。

不要试图精确踩点。

分散配置多个因子，才是更稳健的做法。

边界四：市场不是静止的实验室。

你的策略进入市场，市场就会改变。

这是量化投资和物理学最大的不同——

你观测它，它就变了。

---

**回头看这本书。**

我们从第一章开始，从 CAPM 单因子讲起，到法玛和弗伦奇的三因子模型，搞清楚了"因子"这个概念到底是什么。

第二章，我们把五大经典因子一一拆解，用数据说话——价值、规模、动量、盈利、投资，每一个背后都有真实的风险溢价逻辑。

第三章，我们落到实操层面，Smart Beta 怎么选，多因子怎么配，A 股有哪些特殊性，容量和拥挤度怎么考量。

第四章，也就是今天，我们来到了这本书最冷静的地方——

陷阱在哪里，边界在哪里。

作者真正想告诉我们的，不是"因子投资包赚不赔"，而是：

这是一套有逻辑、有证据支撑的方法论。

但它不是魔法。

它需要你理解它的局限，尊重它的边界，然后在这个框架内，做出更理性的决策。

合上这本书，带走的不是一个策略，而是一种思维方式：

用证据说话，但永远对证据保持怀疑。

用证据说话，但永远对证据保持怀疑。—— 石川等，因子投资：方法与实践，核心方法论总结