多因子选股是量化投资领域最经典、最广泛应用的策略框架之一。无论你是刚入门的量化爱好者，还是正在搭建自有策略的独立交易者，理解多因子模型的底层逻辑和实战细节，都是绕不开的基本功。
什么是多因子选股？#
简单来说，多因子选股就是用多个量化指标（因子）综合打分，选出最值得投资的股票。一个因子就是一个可以量化的股票特征，比如市盈率（PE）、净资产收益率（ROE）、动量（过去N个月的收益率）、波动率等等。
单因子策略的问题显而易见：市场风格切换时直接失效。比如你只买低PE的股票，在成长股牛市中会大幅跑输。多因子的核心思想是”不把鸡蛋放在一个篮子里”——通过组合多个互补因子，在不同市场环境下都能获得相对稳健的超额收益。
因子的三大类别#
1. 估值因子#
最传统的价值投资因子，核心逻辑是”买便宜货”：
- 市盈率（PE）：股价/每股收益，越低越便宜
- 市净率（PB）：股价/每股净资产，金融股尤其重要
- 股息率：分红/股价，防御型因子的代表
- 企业价值/EBITDA：比PE更全面的估值指标
2. 质量因子#
寻找”好公司”而非单纯”便宜公司”：
- ROE/ROA：资本回报率，巴菲特最看重的指标
- 毛利率：反映定价权和竞争优势
- 资产负债率：财务健康度的重要信号
- 盈利稳定性：过去N个季度盈利增长的波动率
3. 动量与情绪因子#
捕捉市场趋势和投资者行为：
- 价格动量：过去6-12个月收益率
- 换手率：市场关注度的代理变量
- 分析师预期修正：盈利预测上调的股票
- 资金流向：主力资金净流入
因子检验：不是所有指标都是有效因子#
很多初学者容易犯的错误是直接把财务指标当因子用。真正的因子必须经过严格的统计学检验：
IC（信息系数）分析：因子值与下期收益的秩相关系数。IC的绝对值越大，因子的预测能力越强。通常IC > 0.03就值得关注，> 0.05就是优秀因子。
分层回测：将股票按因子值分成5-10组，观察各组未来收益是否单调排列。如果因子值最高的组收益确实显著高于最低组，说明因子有效。
换手率分析：太高的换手率意味着交易成本会吃掉收益。一个好的因子应该在预测力和稳定性之间找到平衡。
实战：用Python搭建简易多因子模型#
下面是一个基础的多因子选股框架：
import pandas as pd
import numpy as np
def calculate_composite_score(stock_data, factors, weights):
"""
stock_data: DataFrame，包含各股票的因子值
factors: 因子名称列表
weights: 各因子权重
"""
# Step 1: 标准化（Z-score）
scaled = stock_data[factors].apply(lambda x: (x - x.mean()) / x.std())
# Step 2: 方向处理（某些因子是反向指标）
# 估值因子：越小越好，取反
inverse_factors = ['pe', 'pb']
for f in inverse_factors:
if f in scaled.columns:
scaled[f] = -scaled[f]
# Step 3: 加权求和
composite = (scaled * weights).sum(axis=1)
# Step 4: 排名
stock_data['score'] = composite
stock_data['rank'] = stock_data['score'].rank(ascending=False)
return stock_data.sort_values('rank')实际应用中，你还需要处理行业中性化、市值中性化、缺失值填充等问题。但这些基础框架已经可以帮你跑通第一版策略。
从传统多因子到机器学习因子#
近年来，传统线性多因子模型正在被机器学习方法增强：
- XGBoost/LightGBM：非线性因子组合，自动发现交互效应
- 神经网络：用深度学习提取隐藏的因子模式
- NLP情绪因子：从新闻、研报、社交媒体中提取市场情绪
但要注意：机器学习模型容易过拟合。在量化交易中，一个在回测中收益300%的模型，实盘可能亏得你怀疑人生。关键是在样本外测试和实盘小资金验证上花足够时间。
总结#
多因子选股的核心心法可以归纳为三点：因子要互补、检验要严格、实盘要谨慎。不要追求因子数量——5-8个经过验证的核心因子远比50个噪声因子有效。更重要的是，把多因子模型当作决策辅助工具，而非自动提款机。市场永远在进化，因子会失效，你的策略也需要持续迭代。
下一篇文章，我们聊聊如何用大语言模型辅助因子挖掘——这可能是量化研究的下一波范式转移。