因子动物园及其之后：哪些因子真正能扛得住交易成本

自 1980 年以来，学术界至少发表了 200 个因子。其中大多数扛不住交易成本。能活下来的可能也就二三十个。

Fama 和 French 在 1993 年给了我们三因子模型，然后很多人读到这儿就不往下读了。其实不该停——因子动物园一直在扩张，而且其中相当一部分确实含有信号，这是不含成本的说法。这三个字是本文的主线：一个因子要值得你投钱，得连过三关。(a) 扣掉双边 30–50 个基点的成本之后还能赚钱；(b) 不会在所有人一拥而上时被压垮；(c) 不是只在 1990 年代管用，能跨周期成立。下面每讲一个因子，都会拿这三关去量它。

Fama-French 之后的四个股票因子

先把股票这一侧讲完。这四个是三因子模型之外最经得起检验的，其中两个后来被 Fama-French 自己收编进了五因子模型。

质量

高 ROE、低负债、盈利稳定、高利润率。你买入那些赚钱、管理良好的公司，做空那些垃圾公司。

学术论文里的 Sharpe 大约 0.4–0.6，发表后的实际表现按变体不同大概 0.3–0.5。质量是文献里最稳健的因子之一——Novy-Marx (2013) 证明它从 1963 年开始就管用，跨越了每一个主要周期。Robert Novy-Marx, The Other Side of Value, Journal of Financial Economics, 2013, ISSN 0304-405X.

它的机制说得通，这一点很重要，因为讲不出机制的因子通常也扛不过第三关。会赚钱的公司是稀缺的。投资者愿意为成长故事付高价，却不愿意为无聊的现金生成付高价。这种误定价消化得很慢，因为大多数主动管理基金被明文规定不许买”无聊”的股票——他们要给客户讲故事。换句话说，维持这个溢价的是一个制度性约束，而制度不会因为有人发了篇论文就改。

低波动 / 反向押注 Beta（BAB）

低波动股票在风险调整后跑赢高波动股票。注意是风险调整后——绝对收益上它们在牛市里跑输。从 Sharpe 角度讲，你每承担一单位风险拿到的回报更高。

AQR 把这个做成了旗舰策略。Frazzini, Kabiller, and Pedersen, Betting Against Beta, Journal of Financial Economics, 2014. 历史 Sharpe 大约 0.5–0.7。加杠杆约束的 BAB 版本比朴素的低波动稍好，因为它显式地把仓位按风险拉平。

直观解释跟质量因子是同一个套路：大多数投资者对杠杆有约束，所以他们为高 beta 股票付高价（高 beta 给了他们”免费”的杠杆），低估了低 beta 股票。套利手法是买入低 beta 再加杠杆。听起来简单，但”再加杠杆”那半句是整个游戏——它意味着你需要便宜的融资，而这正是第一关（成本）会淘汰大多数人的地方。

盈利能力（RMW）

高毛利除以总资产，从 1963 年一直强到现在。Fama 和 French 在 2015 年把它加成第五因子，就是因为原始三因子模型解释不了盈利能力驱动的收益。Eugene Fama and Kenneth French, A Five-Factor Asset Pricing Model, Journal of Financial Economics, 2015, ISSN 0304-405X.

具体做法：按 gross profitability（收入减去销售成本，再除以总资产）对股票排序，做多前五分之一，做空后五分之一。溢价在美国数据里年化 3–5%（毛收益，未扣成本）。这个因子换手率低——基本面变化慢——所以它过第一关比较轻松。

投资（CMA）

低投资除以资产。资产规模增长慢的公司往往跑赢那些疯狂堆资产的公司。这是 Fama-French 的另一个 2015 年新增项。

故事是这样的：管理者手里有现金就会过度投资，建新工厂、收购同行、做杠杆收购，做着做着价值就毁了；保守增长的公司则默默地把账面价值复利起来。

这个因子有意思的地方在于它跟质量相关（好公司不会过度投资），但不是同一笔交易。这个区别在组合里很要紧——两个高度相关的因子放一起，你以为自己分散了，其实只是把同一个赌注下了两遍。

跨资产的三个溢价

上面四个是股票因子。还有三个不在股票里，但哪儿都有它们的影子，通常被归到”另类风险溢价”这个大筐里。

期限溢价。 长期债券在长周期上跑赢短期债券，美国数据里历史年化大约 1–2%。机制朴素得几乎不像个因子：投资者锁定更长时间的钱，会要求额外收益作为补偿，而他们拿到了。

信用溢价。 高收益债跑赢投资级债，历史年化大约 2–4%。违约风险更高，但利差平均下来足够补偿——“平均下来”这四个字里藏着它的全部风险，因为补偿的分布是左偏的。

货币 carry。 借入低息货币（JPY、CHF），买入高息货币（BRL、MXN、AUD），赚利差。Sharpe 大约 0.4–0.6，但它每隔五到十年会在央行转向时崩一次：1998（LTCM）、2008、2014、2022。左尾很疼，而且崩的时候通常跟你其它仓位一起崩——这就是为什么它在第二关（拥挤脆弱性）上得分最差。

Fama-French 五因子模型怎么用

现在学术界的标准模型是：

五个因子分别是市场超额收益（MKT）、小减大规模（SMB）、高减低账面市值比价值（HML）、强减弱盈利能力（RMW）、保守减激进投资（CMA）。

这个模型对你的实际用途只有一个，但很关键：拿你的策略收益对这五个因子做回归，看 alpha 还在不在。如果 alpha 在被五个因子吃掉之后还能存活，你可能手里真有东西；如果不能，那你的策略要么是加了杠杆的 beta，要么是换了件衣服的因子押注——你以为自己发现了 alpha，其实是重新实现了一遍 HML。这一步做起来很便宜，却能挡掉相当一部分自欺。

AQR 的四因子风格溢价

跨资产这条线上，AQR 发表的研究（Asness, Moskowitz, Pedersen, Value and Momentum Everywhere, Journal of Finance, 2013, ISSN 0022-1082）把上面那堆东西提炼成了四个大类：价值（便宜 vs 昂贵：股票账面市值比、利率水平、信用利差、FX 的 PPP 偏离）、动量（赢家 vs 输家：过去 12 个月收益，跳过最近一个月）、carry（高收益 vs 低收益工具）、防御（低波动、高质量、低 beta）。

这四类在全球股票、固定收益、外汇、大宗商品上都成立，而且每一类干的事情不一样。它们之间相关性很低，这恰恰是重点——组合起来之后的收益曲线比任何单一因子都平滑得多。注意这个框架跟前面那四个股票因子不是竞争关系：质量和低波动被归进”防御”，盈利能力和投资是质量的两个具体度量。它是一个更粗的分层，用来做跨资产配置，不是用来选股。

怎么在平台上真跑一个因子

内置的价量因子（momentum_20、momentum_60、reversal_5、volatility_20）一行就能评：

from apexquant.notebook import evaluate_factor

report = evaluate_factor(bars, "momentum_60", quantiles=5, periods=(1, 5, 21))
report["ic_summary"]

提示词

用 Arithmion 的 notebook.evaluate_factor 评价内置的 60 日动量因子,分 5 个分位,看 1/5/21 期前向收益。

但本文讲的质量、盈利能力、投资这些是基本面因子，平台没有内置版本——你得自己算分数，然后把它塞进规范形状。规范形状是一张因子面板：两层 MultiIndex（timestamp 必须 tz-aware UTC，symbol），一列一个因子，值是数值，(timestamp, symbol) 不许重复。apexquant.core.panel 里的 validate_panel 负责把关，panel_to_factor_series 把其中一列转成 evaluate_factor 要的堆叠 Series：

from apexquant.core.panel import panel_to_factor_series, validate_panel
from apexquant.bundled.analytics.factor_eval import evaluate_factor


validate_panel(quality_panel)
factor = panel_to_factor_series(quality_panel, "quality")

report = evaluate_factor(prices, factor, quantiles=5, periods=(21,), cost_bps=10.0)

提示词

把自己算的质量分数做成 Arithmion 的因子面板,校验形状之后转成堆叠 Series,再按 5 分位、月度前向收益、单边 10bp 成本评价。

cost_bps 那个参数值得停一下，因为它直接关系到本文的第一关。这个函数默认 cost_bps=0.0，是一个明确的”不含成本”基线；在这个默认下分位曲线每根 bar 免费换手，那个数字不是可交易的收益。所以判断一个因子扛不扛得住成本，正确做法是把两个数一起跑出来看：cost_bps=0 那版告诉你信号里有没有东西，填上真实成本那版告诉你东西够不够多。一个在 0 bp 下 Sharpe 0.9、填上 10 bp 就掉到 0.2 的因子，不是一个 0.9 的因子。

真要做成多空组合去回测，走的是另一条路：继承 PortfolioStrategy（apexquant.core.portfolio_strategy），在 on_rebalance(view) 里返回 {ticker: 目标权重}，权重按当前净值计，然后跑 run_backtest。分位排序、目标权重、T+1 成交撮合各归各的层，别在 on_bar 里手搓。

多因子分散到底做了什么

单因子 Sharpe 随因子和时间段不同，大致在 0.3–0.7 之间。四因子组合（价值 + 动量 + 质量 + 低波动），等权或风险平价，文献和实务报告里常见的区间是 1.0–1.5——但这个数强烈依赖样本期和成本假设，看到它先问是哪十年、扣没扣成本。

背后没什么神秘的，就是数学。当因子之间相关性很低时，把它们组合起来，方差下降的速度比预期收益下降的速度快，于是组合的 Sharpe 比任何单一成分都高。这也是为什么上一节要强调”质量和投资相关但不是同一笔交易”——分散化的收益完全来自相关性，你以为的四个因子如果实际上是两个，那这个提升就不存在。

但它们会一起崩

这是没人写进摘要的那部分。当 50 家量化基金都挤进同一个因子，溢价会缩水；当他们同时夺路而逃时，就是因子崩盘。2009 年的动量在 12 个月里跌了约 50%。2020 年的价值被成长股碾压，碾压的程度几十年没见过。

关键在于，因子崩盘的时候上一节那个”低相关性”假设正好失效——压力之下相关性会飙升，你精心搭的四因子组合在最需要它分散的那一刻，表现得像一个因子。所以分散化是一个平时有效、极端时打折的工具，别把它当保险。

质量和低波动比动量和价值没那么拥挤，原因也很实在：它们规模上更难做，你需要可靠的基本面数据、更长的持仓周期、更低的换手率。门槛把人挡在外面，溢价就留下来了——这是第二关的一般规律，凡是容易做的都会被做满。

所以如果你在跑一个多空股票组合，别把赌注全压在一个因子上，混四到五个，而且用风险平价加权，免得不知不觉变成六成动量加四成其它一切。拥挤这条线怎么持续测量，是另一篇文章的事。

收尾

如果我今天要搭一个因子组合，大致是这样：挑四到六个相互相关性低的因子（价值、动量、质量、低波动、规模），先各自算清楚扣成本前后的 IC 和 Sharpe，再按风险贡献加权组合起来，目标年化波动 10–12%，每月再平衡，同时把拥挤信号挂上持续看。

最后一条是预期管理，而且我认为是最重要的一条：任何单一因子每十年都会有两三年表现很烂。这不是意外，是它的正常形态。如果你的持仓计划扛不住连着两年跑输，那你实际上没有在做因子投资，你在做择时——而择时是另一件难得多的事。

溢价是真实的。它比 1990 年代那批学术论文说的要小，它会衰减，但还没衰减到零。

参考文献

• Fama, E. & French, K. (2015). A Five-Factor Asset Pricing Model. Journal of Financial Economics. ISSN 0304-405X.
• Novy-Marx, R. (2013). The Other Side of Value. Journal of Financial Economics. ISSN 0304-405X.
• Frazzini, A., Kabiller, D., & Pedersen, L. (2014). Betting Against Beta. Journal of Financial Economics.
• Asness, C., Moskowitz, T., & Pedersen, L. (2013). Value and Momentum Everywhere. Journal of Finance. ISSN 0022-1082.
• AQR Capital Management. Style Premia: An Alternative Approach to Alternative Investments. Research paper, 2017.