早在1976年，Stephen Ross在CAPM模型基础上发展了套利定价理论APT。他提出，证券收益受到多种因素的影响，可以表达为多个因素收益的线性组合。这也是量化因子的前身，后续又衍生了可以确定因素的多因子定价模型。
先说说因子。因子可以理解为选择股票的某种标准，即能够预测股票收益的变量。量化私募管理人备选的因子库可以拥有多达成百上千，但大致可以分为以下几类：
一、基本面因子
基本面因子描述了一个公司的财务状况，最常见的基本面因子是由利润表，资产负债表以及现金流量表中的数据直接计算出的比率。通过财务报表可以构建出无数的财务比率及财务报表变量的组合，并以此来预测股票的收益率。
一般将基本面因子分为六小类：估值因子、偿债能力因子、营运效率因子、盈利能力因子、财务风险因子以及流动性风险因子。
二、技术面因子
大多数技术面因子是由过去的价格、成交量以及其他可获得的金融信息所构建的，技术面因子一大优势是能够持续更新。新的基本面数据最多只能按季度获取，相反，最新的技术指标每隔几秒就可以获得。
传统的技术面因子包括传统反转、低波、低换手等，而利用日内高频信息构建的高频量价因子近几年表现较为突出，贡献了相对稳定的收益。
三、经济因子
最初的套利定价模型是基于经济指标来构建的。比较流行的经济因子包括：GDP增速、失业率以及通货膨胀率等，它们几乎会影响到市场的每一个角落。
四、其他因子
其他因子的类型包括但不限于：分析师预测因子、事件驱动因子。
再来看因子组合。传统的多因子定价模型认为每一只股票的预期超额收益是由股票的因子头寸决定的，预期超额收益和股票因子头寸之间的联系由以下公式给出。对于每一个因子，都存在一个因子回报预测值，而股票的预期超额收益就等于所有的因子头寸与因子预测的乘积之和。
公式所表达的意思是，证券价格并不只是取决在证券的风险上，还会受到投资预期收入、未来投资机会等其他因素的影响。我们把这些影响因素归纳为一个个因子。多因子模型其实就告诉了我们因子和收益率之间的关联性。
多因子模型走到今天，量化私募管理人已不再满足于线性的因子组合，而是走向了利用机器学习的算法进行因子组合，包括随机森林、神经网络等等。未来的多因子模型还会发生什么变化呢？我们拭目以待。
联系客服
