因子投资：传统量化的主战场

模块定位：传统量化最核心、最”赚钱”的领域。不是用 ML 挖因子，而是从理论出发理解风险溢价，用统计方法验证有效性，用风险模型落地到组合。

总预计学习时间：10-12 小时

为什么因子投资是传统量化的主战场？

很多刚接触量化的人会觉得：量化就是用机器学习预测股票涨跌。

但事实是，全球资产规模最大的量化基金——AQR、Bridgewater、Two Sigma——它们的核心框架都是因子投资。

原因很简单：

1. 可解释性强：每个因子都有经济学理论支撑，不是”黑箱”
2. 容量大：因子策略通常涉及几百上千只股票，资金容量远大于高频策略
3. 可复制性强：因子逻辑清晰，团队成员可以理解和维护
4. 风险可控：有成熟的风险模型（Barra 等），能管理组合层面的暴露

但因子投资的核心不是”找到一个能预测收益的变量”，而是理解”为什么这个变量能预测收益”——这就是风险溢价来源的问题，也是传统量化与 ML 量化的根本分界线。

因子投资的完整框架

┌─────────────────────────────────────────────────────────────────┐
│                     因子投资研究全景                              │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  理论基础 ──→ 因子构建 ──→ 统计验证 ──→ 风险模型 ──→ 组合实现    │
│                                                                 │
│  为什么有效    怎么算因子   因子真的有效吗   机构怎么管风险  赚钱   │
│                                                                 │
│  02-因子溢价   01-经典因子  03-因子研究     04-Barra风险  组合管理 │
│   来源.md       体系.md     方法论.md        模型.md      (其他)  │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

这个模块覆盖前四个环节——理论基础、因子构建、统计验证、风险模型。组合实现是”组合管理”模块的内容。

模块导航

01 - 经典因子体系（3-4h）

从”什么是因子”讲起，覆盖六大经典因子的理论解释、构造方法和 Python 实现。

量化应用场景：股票 Alpha 研究、多因子模型构建、因子组合

02 - 因子溢价来源（2-3h）

从”因子为什么有效”这个根本问题讲起，理解因子的经济学基础。

量化应用场景：因子选择、因子衰减监控、因子配置

03 - 因子研究方法论（3-4h）

从”怎么验证一个因子是否真的有效”讲起，覆盖量化因子研究的标准方法。

量化应用场景：因子有效性验证、因子遴选、因子衰减监控

04 - Barra 风险模型（2-3h）

从”机构怎么管理风险”讲起，理解结构化风险模型的完整框架。

量化应用场景：风险管理、组合优化、绩效归因

学习建议

前置知识

• 计量经济学基础：OLS 回归、假设检验、HAC 标准误
• 概率统计：相关系数、t 检验、假设检验
• Python 基础：numpy、pandas、matplotlib、scipy、statsmodels

学习顺序

01-经典因子体系 → 02-因子溢价来源 → 03-因子研究方法论 → 04-Barra风险模型
      ↑                    ↑                    ↑                    ↑
   知道有什么因子     理解为什么有效        知道怎么验证有效       机构怎么做风险

建议不要跳过 02 直接学 03。理解因子为什么有效，才能正确理解因子的衰减和失效。

核心原则

1. 先理解直觉，再看公式，最后写代码
2. 每个因子的关键不是”怎么算”，而是”为什么它有溢价”
3. 统计显著和经济显著是两回事——t 值大不代表策略能赚钱
4. 因子拥挤是所有因子的宿命——理解这一点，才能做好因子管理

推荐参考书

经典论文：

版本信息

• 创建日期：2026-03-28
• 最后更新：2026-03-28
• 许可：CC BY-NC-SA 4.0