引言：什么是量化因子？
因子（Factor）是量化交易中最核心的概念之一。一句话概括：因子就是能够预测资产未来收益的信号。
比如「市盈率越低，未来收益越高」，这里的「市盈率」就是一个因子。再比如「最近一个月涨幅越大，未来一个月越可能继续涨」，这里的「最近一个月涨幅」就是动量因子。
因子投资（Factor Investing）的思想非常朴素：找到能持续赚钱的信号，然后通过系统化方法筛选股票、配置仓位，获取超额收益。
这篇文章的目标，是对市面上常见的量化因子做一个系统的分类梳理，帮助有一定量化基础但仍在入门阶段的朋友建立完整的因子知识框架。
一、因子分类总览
量化因子可以按照不同维度分类，最常见的分类方式是按数据来源和逻辑分为以下几大类：
- 基本面因子（Fundamental Factors）：基于公司财务报表数据
- 技术面因子（Technical Factors）：基于价格和成交量数据
- 资金面因子（Capital Flow Factors）：基于资金流向数据
- 情绪因子（Sentiment Factors）：基于市场情绪和行为
- 另类数据因子（Alternative Data Factors）：基于传统金融数据之外的信息
- 宏观因子（Macro Factors）：基于宏观经济数据
下面逐一详细展开。
二、基本面因子
基本面因子是因子投资中最经典、研究最充分的一类。其核心思想是：公司的基本面价值与市场当前定价之间存在偏离，这种偏离最终会被市场修正，从而产生超额收益。
2.1 价值因子（Value）
价值因子认为市场会系统性地高估某些股票、低估某些股票，买入被低估的股票可以获取超额收益。
- 市盈率（PE = 股价 / 每股收益）：最经典的价值指标，PE越低，理论上越便宜。
- 市净率（PB = 股价 / 每股净资产）：适用于重资产行业（如银行、地产），PB低于1可能意味着股价跌破净资产。
- 市销率（PS = 总市值 / 营业收入）：适用于尚未盈利但收入增长快的公司。
- EV/EBITDA：企业价值与息税折旧摊销前利润之比，消除了资本结构和税率的差异。
- 净资产收益率（ROE）反向：某些时候市场给予高ROE股票过高的估值。
使用注意事项：价值因子在A股存在一定的「价值陷阱」问题，低PE可能意味着公司基本面恶化。因此实践中常常使用「预期PE」或结合成长性指标一起使用。
2.2 成长因子（Growth）
成长因子关注公司的增长速度，认为高成长的公司理应享受更高的估值溢价。
- 营收增长率：营业收入同比增速，衡量公司业务扩张能力。
- 净利润增长率：净利润同比增速，最直接的增长指标。
- EPS增长率：每股收益增速，直接反映股东回报能力。
- ROE变化率：ROE同比变化，衡量公司盈利能力的边际改善。
- PEG（PE / 盈利增长率）：将估值与成长结合起来，PEG < 1 通常被视为低估。
2.3 质量因子（Quality）
质量因子关注公司的盈利质量和财务健康程度，认为高质量公司的长期回报更好。
- ROE（净资产收益率）：巴菲特最看重的指标，衡量公司用股东资本赚钱的效率。
- ROA（总资产收益率）：衡量公司利用全部资产创造利润的能力。
- 毛利率（Gross Margin）：反映公司产品的竞争力和定价权。
- 营业利润率（Operating Margin）：反映公司核心业务的盈利能力。
- 资产周转率（Asset Turnover）：衡量公司资产利用效率。
- 负债率（Debt Ratio）：衡量财务风险，低负债率通常更安全。
- 现金流因子：经营性现金流 / 净利润，比值高说明利润质量好（真金白银），比值低说明利润可能靠应收账款堆砌。
2.4 财务健康因子（Financial Health）
- 速动比率：（流动资产 - 存货）/ 流动负债，衡量短期偿债能力。
- 利息保障倍数：息税前利润 / 利息费用，衡量支付利息的能力。
- 应收账款周转天数：天数越短，回款能力越强。
- 存货周转天数：天数越短，销售效率越高。
三、技术面因子
技术面因子基于价格和成交量数据计算，认为历史的价格行为中包含对未来收益有预测力的信息。
3.1 动量因子（Momentum）
动量因子是学术界实证最稳健的因子之一，核心假设是趋势会延续。
- 价格动量（Price Momentum）：过去N天/N周的累计收益率。常见的有20日动量、60日动量、120日动量等。
- 收益率动量：与价格动量类似，但使用收益率序列。
- 相对强度指标（RSI）：14日RSI在30-70之间为正常，>70超买，<30超卖。
- MACD（指数平滑异同移动平均线）：快慢线金叉死叉，零轴上下穿越。
- ADX（平均趋向指标）：衡量趋势强度，>25表示趋势明显。
- 均线多头排列：短期均线 > 中期均线 > 长期均线，是趋势向好的信号。
A股特别说明：A股存在明显的「短期反转、长期动量」特征。1-5日动量往往失效（甚至反向），而120-250日动量相对有效。
3.2 反转因子（Reversion）
反转因子与动量因子相反，认为过去涨多的会跌回来，跌多的会涨回来。
- 短期价格反转：过去1-5日收益率，在A股中是有效的反向预测信号。
- 日内反转：开盘后短时间内的大幅上涨/下跌，当天往往有反转。
- 超买超卖反转：RSI < 30时买入，RSI > 70时卖出的策略。
- 布林带反转：价格触及布林带下轨时买入，触及上轨时卖出。
3.3 波动率因子（Volatility）
大量研究表明，低波动率股票的长期收益往往高于高波动率股票，这与传统金融学理论相悖，被称为「低波动率之谜」。
- 历史波动率：过去N日收益率的标准差。
- 年化波动率：历史波动率 × √252。
- 隐含波动率：期权市场隐含的未来波动预期。
- 波动率倒数因子：直接使用 1/波动率 作为做多信号，低波动率股票得分高。
3.4 趋势因子（Trend）
- 相对强弱（相对大盘）：个股收益率 - 大盘收益率，持续为正说明个股强于大盘。
- 通道突破：价格突破布林带上轨或唐奇安通道上轨。
- Z-Score偏离度：当前价格相对于过去N日均值的偏离程度。
3.5 成交量因子（Volume）
- 成交量比率：当前成交量 / 过去N日平均成交量，放量可能是变盘信号。
- 量价配合：价格上涨伴随成交量放大，信号更可靠。
- 换手率：换手率突然放大可能意味着有资金异动。
3.6 技术指标因子（Technical Indicators）
QMT 自带的 TA_Lib 库提供了大量技术指标，都可以作为因子使用：
- 布林带宽度：布林带由窄变宽，可能意味着大行情来临。
- KDJ、WR（威廉指标）：超买超卖指标。
- OBV（能量潮）：结合价格和成交量判断资金流向。
- 乖离率（BIAS）：当前价格与均线的偏离程度。
- ATR（平均真实波幅）：衡量波动大小，也可用于止损设置。
四、资金面因子
资金面因子关注资金的市场行为，认为「聪明钱」的流向能够预示未来股价走势。
4.1 主力资金流向
- 主力资金净流入/流出：大单、超大单净买入金额。
- 主力持续流入天数：连续多日主力资金净流入，信号更可靠。
- 大单占比：大单成交量占总成交量的比例。
4.2 北向资金
北向资金（沪股通/深股通）被称为「聪明钱」，在中国A股市场具有较高的关注度。
- 北向资金净买入额：当日或累计净买入金额。
- 北向持仓占比：北向资金持有该股的市值 / 该股总市值。
- 北向资金持仓变动：近期持仓比例的变化速度。
- 北向资金趋势：连续净买入的天数。
4.3 融资融券
- 融资余额：投资者通过融资融券买入该股的金额。
- 融资余额变化率：融资余额的增速，加速增长可能预示看多情绪升温。
- 融券余额：投资者融券卖出该股的金额（数据相对不透明）。
- 两融余额占比：两融余额 / 流通市值，占比过高可能意味着杠杆交易拥挤。
4.4 股东增减持
- 大股东增持：大股东或高管增持，通常视为利好信号。
- 大股东减持：大股东减持，可能意味着内部人不看好当前股价。
- 机构持仓变化：基金等机构投资者持仓比例的季度变化。
4.5 龙虎榜数据
- 机构席位净买入：龙虎榜显示机构席位净买入，信号较强。
- 游资席位活跃度：知名游资席位出现，可能意味着短期有炒作。
五、情绪因子
情绪因子捕捉市场中非理性的群体行为，认为市场的过度反应可以被反向利用。
5.1 市场情绪指标
- 涨跌家数比：上涨股票数 / 下跌股票数，极端值可能预示反转。
- 涨停板数量：涨停板过多可能意味着市场过热。
- 跌停板数量：跌停板过多可能意味着恐慌过度。
- 市场波动率指数：类似恐慌指数，高值代表市场恐慌。
5.2 个股情绪指标
- 换手率：异常高换手率可能意味着情绪过热或过度恐慌。
- 连续涨停/跌停天数：情绪极端的信号。
- 龙虎榜游资炒作热度：是否被游资高度关注。
5.3 分析师情绪
- 分析师评级上调/下调：评级上调次数越多，市场关注度越高。
- 分析师目标价与实际股价的偏离：目标价远高于当前价，可能说明分析师看好。
- 分析师覆盖度变化：新增分析师覆盖可能意味着公司受到关注。
5.4 网络舆情
- 搜索指数：百度搜索指数、微信指数等，搜索量飙升可能意味着关注度异常。
- 社交媒体讨论热度：股吧、雪球等平台讨论热度。
- 新闻舆情得分：正面新闻多则情绪偏乐观，负面新闻多则偏悲观。
六、另类数据因子
另类数据因子来自于传统金融数据（财报、行情）之外的信息源。个人量化在获取另类数据方面有一定局限，但部分数据仍然可以获取。
6.1 行业与产业链数据
- 行业景气度：行业PMI、行业收入增速等。
- 上下游数据：原材料价格、产品价格变化。
- 行业竞争格局：市场份额变化。
6.2 政策与事件
- 政策支持力度：是否属于国家政策支持的行业/方向。
- 重大事件：业绩预告、重大合同、重组并购等。
- 限售股解禁：解禁后股价可能承压。
6.3 公司治理
- 股东结构：国有/民营/外资控股的差异。
- 管理层稳定性：高管频繁变动可能是不利信号。
- 分红政策：持续稳定分红的公司通常质量较好。
6.4 可获取的另类数据源（个人量化友好）
- 东方财富、同花顺等网站提供的龙虎榜、资金流向等数据。
- 聚宽（JoinQuant）、米筐（RiceQuant）等量化平台提供的因子数据。
- Tushare、AkShare等Python数据接口可以获取的部分另类数据。
- 雪球、股吧等平台的舆情数据（需要爬虫技术）。
七、宏观因子
宏观因子基于宏观经济变量，虽然更多用于资产配置层面，但对选股策略也有参考价值。
- GDP增长率：经济增速影响整体市场。
- CPI/PPI：通胀水平影响货币政策和不同行业。
- 利率（如10年期国债收益率）：利率上升不利于高估值成长股。
- M2、社融：流动性指标，流动性宽松利好股市。
- 美元指数：影响新兴市场资金流向。
八、因子检验与评估方法
有了因子之后，如何判断一个因子是否有效？以下是因子检验的标准流程：
8.1 分层回测（Factor Backtest）
按因子的值将股票分成若干组（如10组），看最高组和最低组之间的收益差（多空收益）是否显著为正。
8.2 关键指标
- IC（Information Coefficient，信息系数）：因子值与下期收益率的排名相关性，通常 > 0.03 就算不错，> 0.05 算较好。
- ICIR（IC的夏普比率）：IC均值 / IC标准差，衡量因子的稳定性，> 0.5 算不错。
- 多空收益（Long-Short Return）：高分组与低分组的收益差。
- 多空夏普比率：多空策略的夏普比率。
- 月胜率：多空策略在多少比例的月份中是赚钱的。
8.3 常见陷阱
- 幸存者偏差：只回测了还存在的股票，退市股票被忽略了。
- 前视偏差：用了未来才能知道的数据（如财报发布前就用了财报数据）。
- 过拟合：在历史数据上反复调参，选出看似很好的参数，但未来不一定有效。
- 因子共线性：多个因子之间高度相关，组合使用并不能增加信息量。
九、多因子模型
单个因子往往不够稳健，实践中通常将多个因子组合成一个综合打分系统，即多因子模型。
9.1 等权模型
将每个因子的标准化得分简单平均，得到综合得分。最简单但也常用。
9.2 加权模型
根据每个因子的历史表现（如IC、ICIR）赋予不同权重。
9.3 机器学习模型
使用随机森林、XGBoost等机器学习方法，让模型自己学习因子的非线性关系和交互作用。
9.4 因子正交化
多个因子之间可能存在相关性，通过正交化处理可以让每个因子提供独立的信息，避免重复计入。
十、给个人量化新手的建议
10.1 从经典因子入手
不要一开始就去追求复杂的另类数据因子。先做好基本面因子（价值、成长、质量）和技术面因子（动量、反转、波动率），这些已经足够支撑一个有竞争力的策略。
10.2 注意A股的特殊性
A股是一个散户占比高、政策影响大、散户情绪化程度高的市场。因此：
- 短期反转比短期动量更有效
- 情绪因子的作用可能比成熟市场更大
- 政策因子的影响力不可忽视
10.3 控制过拟合
历史回测再漂亮，不代表未来能赚钱。建议：
- 样本外检验：留出最近1-2年的数据不做回测，看因子在新数据上是否仍然有效。
- 滚动回测：用滚动窗口检验因子的稳定性。
- 简化模型：因子越简单，越可能具有普适性。
10.4 工具推荐
- QMT + TA_Lib：可以直接在QMT中调用大量技术指标，编写因子。
- Tushare / AkShare：获取基本面数据、行情数据等。
- 聚宽/米筐：在线量化平台，内置了大量因子，可以直接使用。
10.5 实践路径
- 先理解每个因子的逻辑（为什么它可能有效）
- 写代码计算因子值
- 做分层回测，检验因子的IC、多空收益
- 将多个有效因子组合，做多因子选股
- 设置合理的调仓频率和止损规则
- 在模拟环境中验证，再考虑实盘
总结
量化因子是量化交易的核心基石。本文对常见的因子做了系统分类：
| 因子大类 | 代表因子 |
|---|---|
| 基本面因子 | PE、PB、ROE、营收增长率、毛利率、现金流质量 |
| 技术面因子 | 动量、反转、波动率、MACD、RSI、布林带 |
| 资金面因子 | 北向资金、主力资金、融资融券、股东增减持 |
| 情绪因子 | 换手率、涨跌家数比、搜索指数、龙虎榜 |
| 另类数据因子 | 行业景气度、政策事件、公司治理 |
| 宏观因子 | GDP、CPI、利率、M2 |
记住一句话：因子是工具，不是圣杯。没有任何一个因子能持续稳定地赚钱，关键是要理解因子的逻辑、验证因子的有效性、并合理地将多个因子组合起来，构建一个具有统计意义的投资体系。
希望这篇文章能帮助你建立完整的因子知识框架。下一步，可以挑选几个感兴趣的因子，动手写代码验证一下，看看在A股数据上是否真的有效。
⚠️ 免责声明
量化交易存在巨大风险。本文仅提供因子投资的知识介绍与方法论分享：
- 文中所述因子仅供学习参考，不构成任何投资建议
- 任何因子在实盘前必须经过充分回测验证，历史有效不代表未来有效
- 因使用本文所述方法造成的任何盈亏，由使用者自行承担全部责任
本文更新于2026年8月16日