因子策略的十大讨论：构建多因子策略的工匠精神

作者：家瑜

来源：新全球资产配置

没写量化文章才一个多月，感觉已经脱节了一个世纪。这两天看同事们的研究，不禁感叹：量化无才便是德啊。量化策略中的细节太多太多了，有时候我们花20%的时间，可以达到70%甚至是80%的效果，比如蠢蠢地用5个估值指标，都能在纸面上获得历史超额收益。

不过一旦深究细节，就会发现很多很多很多的问题，陷入无止境的烧脑与补脑之中。在量化策略的研究上，先不说大部分管理人用的数据大致相同，而且市场上大部分量化选股因子都是老套路，比如PE-ROE、PEG-Quality、CAPM框架等等，它们基于的Fama-French模型也存在几十年了。(皇上，你还记得19年前，大明湖畔的夏雨荷吗？)

那难道我们就止步于这70%、80%的程度了吗？绝对不行，因为这么做对投资人是不负责的。如何做到精益求精、如何能够更加专业，从而获取更多的超额收益，是我们资产管理人每天想破脑袋的一件事。

著名的资本管理公司AQR曾撰文展开讨论，作者Ronen Israel、Sarah Jiang、Adrienne Ross的《Craftsmanship Alpha》，让我烧掉一半的脑细胞。他们认为：成功往往蕴藏在细枝末节之中，只有那些专注细节，并且持续执行的基金经理，才能把因子投资在理论上的超额收益，转换成实实在在的银子。而真正实现因子投资收益的这个过程被称为“Craftsmanship Alpha（工匠 alpha）”。

这篇文章，按照作者的思路，就应该是“因子策略的十大讨论“了。 

01 选择因子风格

02 选择投资方式

03 注意构建组合时的因子测量细节

04 综合测量指标或优于单一测量指标

05 考虑不同的选股和加权方案

06 组合中节外生枝的风险

07 如何整合不同的风格因子

08 要不要做因子择时

09 执行费用和高效的交易

10 组合的风险管理 

01

选择因子风格 

目前市场上比较受关注的因子有：价值、动量、规模、质量、盈利能力、流动性因子等。原文作者认为，多风格的投资组合(比如价值+动量因子的组合)相对于单一风格的因子投资组合更好，组合的策略之间有更低的相关性。相关性较低的风格则可以为组合提供有效的分散，降低投资组合的风险。

对于大众投资人，一开始并不了解各种因子，因此会只投资于单一的因子风格，如单纯的价值因子、动量因子，但这样就容易承担较大的风险。文章则为投资者指了一条路：选择自己的投资组合风格，考虑多因子风格。我们举个最简单的栗子：投资者可以从只买单一价值ETF变为：用50%的资金买价值ETF， 50%的资金买动量ETF，甚至把资金平均分成三份，分别投资于价值、动量、质量策略。有研究显示，最简单的多因子风格策略也比单因子策略要优越。 

另外在选择因子上，投资者可以选择学术界关注较多、研究历史较长的因子，“质量”会更有保障。同时，要关注所选因子跨地区、市场、资产类别是否有效。如果投资者打算构建多因子风格策略，则最好选择相关性较低、较稳定的因子。单纯的股票类的因子投资，不能代替大类资产配置。

然而就算是不同资产类别、不同市场、不同因子间的相关性，也会随着市场变化而变化，尤其是危机来临时，某些资产的相关性会急剧上升，导致组合的分散化效果被降低，带来较高的模型外风险。 

02

选择投资方式 

确定因子投资风格后，下一步就要考虑用哪种方法将投资风格变成实际的投资组合了。投资人可以只做多头的价值策略，增持相对便宜的股票；也可以做多空投资组合，获取整个风格溢价。这里Long/Short不一定是真的“做空”，也可以是相对于市场宽基的减持。如果投资者能做多空组合的话，作者建议尝试跨资产的风格组合，不局限于单一资产，进一步深化组合分散化效应。

另外，现实中的大多数投资人都需要考虑两个问题：我应该集中投资还是分散持仓？做多还是做多空？有的人认为，如果要做价值策略就必须对某几家公司特别特别了解，所以他们最后构建出来的组合，也是针对特定的这几家公司。但实践中要做好集中度高的组合，对投资者的选股能力有很高的要求，并不是每个人都有大量资金或专业的知识背景。

下图显示了一些著名投资大佬们的历史回报，其中有一个大的规律：分散投资的策略，往往存活时间较长；集中投资的策略，短期收益高，但是策略存活时间较短(PS: 巴菲特是一个大写的无解)。

如果投资者没有很强的选股能力，分散化的组合会更合适，长期盈利能力并不比高集中度组合的表现差。我们曾经测试过集中持股和分散投资的利弊。

对于做多还是做多空问题，更多取决于投资者的交易环境。如果不允许做空或做空费用特别高，投资者也可以通过【相对市场组合减持】来达到做空的效果。比如，不要总是一上来就全仓，或者也可以配一些国债或短期国库券，以降低整体风险。另外，由于因子构建不同，多空头的风险也不一样，所以不要觉得单纯做多不做空就只能收到一半的因子溢价，很多时候投资人只做多头也是不错的选择。 

03

注意构建组合时的因子测量细节 

想好了构建因子的风格和投资方式，那么具体用什么数据来计算因子呢？一般来说，价值策略会根据股票的某个基本面指标(如利润率、净利率、账面价值)与价格的比，来确定该股票的相对价格，比如说账面市值比就是B/P，以反映账面价值和市场价格的关系变化。但在具体计算因子测量指标时，选取的数据会有细微的差别，比如计算账面价值，有些人会把无形资产也算上；甚至市场价格的选择也可能不同：可以是最新的财务数据，也可以是滞后的财务数据。

Asness和Frazzini在《The Devil in HML’s Details》中，建议将HML（Fama-French的High-minus-Low，高价值减去低价值）标准做法中用即期的市场价格取代滞后6个月以上的价格来计算B/P。这种调整的目的是：尽量减少动量敞口对价值因子的影响，只留下真正的“价值”。这种细节调整看起来改变不大，但就如蝴蝶效应一样，实际上能大幅影响组合的整体表现。 

如果你选择价值因子的投资风格，那么你一定要知道，衡量价值因子的方法有很多，不用将一个指标当做唯一标准，比如，做价值投资你不用局限于用账面市值比(B/P)来抉择。我们拿先锋价值ETF（VTV）、iShare罗素1000价值ETF（IWD）、iShares罗素1000ETF（IWB）来举个栗子吧。

VTV跟踪的是CRSP美国大盘股价值指数， 这个指数用了五个价值衡量指标：账面价格比（Book-to-Price Ratio）、未来盈利价格比（Future Earnings-to-Price Ratio）、历史盈利价格比（Historical Earnings-to-Price Ratio）、股利价格比（Dividend-to-Price Ratio）、销售价格比（Sales-to-Price Ratio）。IWD跟踪的是罗素1000价值指数，而这个指数主要用了账面市值比（B/P）来构建价值因子。由于构建因子指标上的差异，VTV和IWD的因子暴露有较明显的区别。 

如上图所示，VTV和IWD的实际价值因子敞口比IWB大，不过这是合理的，因为VTV和IWD都是价值ETF，而IWB主要是大盘股。使用了综合价值指标的VTV，它的实际价值因子敞口比使用单一测量指标的IWD要大。然后我们再把三只ETF的年化管理费考虑进来，VTV的年化管理费为 0.05%，IWD的管理费为0.2%，IWB的管理费为0.15%。从每付出0.1%费率，获得的价值因子敞口来看，VTV性价比远高于IWD和IWB，而IWD的性价比还不如IWB。

04

综合测量指标或优于单一测量指标 

原文作者认为，综合指标或许比单个指标的效果更好，可以降低单一指标的测量噪音。测量噪音，我们可以理解为采用单一指标造成的“信息误判”，如财报数据不准确带来的影响。举个栗子，买房时要衡量多个维度：价格、环境、质量等。而每个维度都有不同的参考指标，比如考察环境，你要看地理位置好不好，小区绿化、邻居素质如何，每个角度的评价方式不是单一的。同样，我们从价值角度衡量股票，也有多个参考指标，投资者需要综合考量。

文中提到，与单纯地使用账面市值比(B/P)相比，囊括了账面市值比(B/P)、现金流/价格比(CF/P)、盈利/价格比(E/P)、预测盈利水平和销售/价值比（S/EV）等5种指标在内的综合指标策略，经风险调整后的收益大大好于单一指标。

其实估值的维度有很多，在Kewei Hou， Chen Xue ，Lu Zhang三位教授合著的论文《Replicating Anomalies》中，他们就测试了68种估值指标。这里的本意不是让大家疯狂地去做数据挖掘，而是要利用学术上和实证中有意义的指标，构建一个合理的估值策略。不管是基金经理还是投资者，都不妨多筛选对比一下，别让自己的思维固化。  

05

考虑不同的选股和加权方案 

选股和股票加权的方法是构建投资组合的基础。不同的选股和加权方案可能导致组合面对不同的风险敞口，使组合表现也不同。学术界中，构建组合的常见做法是：通过某种风格的临界点来选择股票，然后使用股票市值(value weighted)来确定相对应的权重。

比如，Fama-French的HML（High-minus-Low）的标准方法是：根据B/P（Book-to-Market）对股票进行排序，在B/P最高的股票中做多前33%的股票，在B/P最低的股票中做空后33%的股票，然后根据这些股票的市值进行加权。其中，33%的分界点和市值加权就是一种选股和加权的方式，实际操作中可以换成其它的临界点和方式。 

相比市值加权，信号加权(Signal weighting)的方法则考虑了股票的相对价格。这种方法将较大的正(负)权重分配给在风格排名较高 (较低)的股票中。

如上图所示，如果能将市值加权和信号加权两种方案结合在一起，是最理想的方法。最右侧的Signal Weight，50% Cutoff的意思是：在5种估值指标中，每个月做多估值最低的前50%股票，做空估值最高的前50%股票，然后根据估值排名的大小，进行加权(多头中，估值越低，权重越大；空头中，估值越高，权重越大)。

信号加权策略的夏普比率明显高于只采用市值加权而来的策略。虽然信号加权组合能获得更多的风格敞口(因此可能有更高的回报和夏普比率)，但同时它也放弃了市值加权的好处，比如”流动性“和”策略规模“，因为信号加权组合往往给流动性较差的股票更高的权重。 

06

组合中节外生枝的风险 

组合构建方式的不同，可能在无意中带来额外的风险(Unintended Risk)。例如，在构建HML Devil(使用当前价格的HML，而非6个月前的价格)时，股票按B/P进行排序后，按33%的分界点来确定多空头。而这种简单的排名会造成一个问题：投资组合隐含地在行业内部或跨行业进行风格押注，稀释了股票风格风险的敞口。测试结果表明，这样的构建方式会使大部分风险来自市场和行业选择，只有32%的风险来自于股票选择(行业内部的价值选择)。

此外，即使这个投资组合由1美元多头和1美元空头构成，它的市场贝塔还是会随时间而变化。大家回想一下tech bubble时期：当时科技股的价格高，风险也高，这意味着它们的beta也是高的。如果做简单的$1多头$1空头组合的话，这个组合整体来看就是在做空科技板块，也算是在做空全市场（因为空头beta比多头beta高很多）。但如果这个敞口不是组合的目标敞口的话，那在组合构建的时候就要消除这个风险。 

这个例子不仅仅存在于价值投资组合中，也存在于其它策略中。比如简单的动量策略，是根据【过去12个月的价格回报】对股票进行风格选择，做多赢家做空输家，这就可能会形成一种隐含的市场行业押注组合。比如09年以来的这波美股牛市中，科技股表现最好，动量投资组合的买入持仓股可能大部分就是科技股。

“对冲”这些风险的做法，就是建立一个隔离风格风险的投资组合。对于市场风险，可以建立一个多头和空头beta一样大的零贝塔投资组合（即，多头贝塔等于空头贝塔)，有效对冲市场风险。对于行业风险，可以在各个行业内分别使用测量指标，这意味着，对比指标的时候更侧重与同行业的对比。另外基金经理还可以设立行业权重封顶，对行业进行不过重的押注。 

07

如何整合不同的风格因子  

如何有效地融合不同风格的因子是一个很重要的课题。目前市场有两种比较流行的方法： 一是【投资组合混合法】，通过将单一风格的因子策略按照某种方式来构建成一个多风格的投资组合；另一个是【集成法】，在构建策略的时候，通过多因子打分法，将不同的因子风格融合后，构建一个投资组合。

我们以价值和动量举个栗子。【投资组合混合法】首先选出最佳的价值股和最佳的动量股，组成两个单独的策略，然后根据不同的加权方法，将这两个策略组合成投资组合。而【集成法】先将每只股票的价值得分和动量得分加在一起，然后根据综合得分，选择得分最高和得分最低的股票，组成投资组合（比如价值又高动量又强的股票）。使用这两种方法的最终持仓有较大不同。在价值和动量的例子里，【集成法】的效果会比【投资组合混合法】更好。 

来自“AQR - Portfolio Construction Matters”的一张图，解释了如何融合两个因子：

我们举个例子来说明这两种方法。在【投资组合混合法】里，我们首先要测股票池（股票A-O）中所有股票的价值和动量，然后分别根据价值和动量测量指标来排序。分别选择排名前三的股票，即A、D、O（价值股）和E、J、K（动量股），然后投资于这六只股票。

在【集成法】里，假设我们现在给价值60%的权重，给动量40%的权重，那么，综合分数=股票价值排名*60%+股票动量排名*40%。然后再根据综合分数来排序，选取排名前六的股票进行投资，分别是B、F、H、I、M。这两种办法选出来的股票是非常不同的。

当投资者在面对【分别买价值ETF 和动量ETF 】和【买一只高价值低动量的ETF】两种选项时，一般来说，一只【内部综合整合的价值动量ETF】会比分开买两只更好。 

08

要不要做因子择时 

因子择时类似于市场择时，因子择时(factor timing)又称因子轮动(factor rotation)，指在多因子投资的框架下，通过识别影响因子表现的因素，建模预测未来因子收益，动态优化因子权重，使得最终结果优于模型预设的结果。 

因子择时在实践中的操作是：当特定因子的预期回报率高于(低于)正常水平时，增加(减少)该因子的比例。投资者可以使用估值指标(当风格多头和空头之间的估值差变大的时候，增加该风格的投资比例)；动量指标(当风格最近表现好的时候，增加该风格的投资比例)；或宏观经济条件(识别每个风格的最佳市场环境)来调整风格的比例。

多项研究表明，在实践中因子择时是非常困难的。因子择时是否可行，研究中有大量的争议，目前并没有一个共识。原文作者认为，因子择时带来的好处并不是很明显，一些对时机长期效力的测试甚至可能被夸大甚至不适用。如果投资者已经有一个长期分散化多因子的策略(strategically diversified multi-style strategy)，而且这个策略包含了直接的价值因子敞口，那么短期逆向因子择时的难度(比普通带有价值敞口的策略)更高。

Asness等人【2017】在大量的因子择时测试中发现，虽然有些做择时后的策略的年化收益率高于不做择时的策略，但年化收益的提升是以波动性上升为代价的；在有的策略中，年化收益提升的幅度，没有波动率提升的幅度大。换句话说，择时策略经风险调整后的收益，没有较为明显地上升，甚至会下降。

要在风格之间做短期逆向择时的话，难度可比逆向市场择时(contrarian market timing)的难度高多了。因子的表现是有周期性的，通过短期的数据来评价【一个因子在未来是否有效】是不太合理的，而且现在学术界上的共识是：短期预测很难成功。比如价值因子，它可以在很长一段时间里偏离它的预期收益率。而因子提纯的过程，也会增加模型的误差和策略的噪音。市场本身就难以预测，比市场更进一步的因子择时，可以说是难上加难。 

总的来说，不管是择因子还是择策略，择时本身就是个技术活。大部分市场参与者是不具备择时能力的，最有效的投资方式还是【长期拥有多元化而且有互补关系】的因子。如果做择时，投资者的择时能力必须非常好，不然收益会被交易成本抵扣掉。另外，长期分散化的策略通常会比极端的短期策略更安全。如果投资者真的想做因子择时的话，建议用小部分资金做，大部分资金应该保持长期跨品种和跨市场的分散化的投资方式。 

09

执行费用和高效的交易 

由于因子的表现是动态的，多因子投资需要进行投资组合再平衡，大额的订单在执行调仓的过程中，很容易产生巨大的交易成本。除了固定手续费、税费等因素，主要影响交易成本的两大因素可归纳为：(1)显性成本，由于自身操作引起的成本；(2)隐性成本，由于未来不确定性带来的成本。 

第一，显性成本。我们拿“再平衡”(调仓)的频率来说，不同的再平衡周期成本和带来的收益是不一样的。较高的再平衡频率，能够让组合【离预设的理想模型更近】，但这样交易成本会更高；较低的再平衡频率，能够节省一部分交易成本，但会导致组合【离理想投资组合更远】。投资者需要自己去分析这两者的利弊，从中取得一个平衡点。 

其中，对于投资者的一个好的比较点是：关注扣除交易成本后的产生的效益。原文作者在一个足够长的样本期内(1990.01—2015.10)测试了【不同再平衡频率对价值动量投资组合的影响】，如下图所示：

每日再平衡的投资组合将导致较高的交易成本，虽然有最高的毛收益，但是净收益是负的。如果把再平衡周期延至每月，虽然毛收益降低了，但是较低的调仓频率带来了巨大的交易成本的降低，使得净收益在5种再平衡周期中最高。

关于再平衡的频率，另外一种可以参考的方法是：对预设的模型设置一个合理的偏离程度；当组合与理想组合的偏离程度大于预定的数值，才执行再平衡。不过，也有研究表明，改变偏差的效果类似于改变再平衡频率：更高的偏差会导致更大的风格漂移，而【风格漂移】则可能会导致组合的表现达不到理想模型的预期。

不同管理人构建因子组合的方式可能会有很大的不同，并不存在一个适用于所有投资组合风格的再平衡周期。一旦确定了再平衡频率或换手率，投资者需要使用程序化的交易策略来降低交易成本。 

第二，隐性成本。对大型投资者来说，价格影响(price impact)占了交易成本很大一部分。举个栗子， 比如大型的基金管理机构非常迅速地买入大量股票，股价就会被推升，这样购买的股票成本就会逐步提高。Frazzini等人【2012】利用真实的执行数据(1998.8-2013.9)发现，参与率(股票交易量/市场交易量)越大，交易成本就越高。 

上图的栗子，一只股票日交易量的2%，导致了大约17个基点(bps)的市场影响；相比之下，6%的日交易量造成了28个基点的市场影响。每次调仓产生30bps的损失，对于规模超过100亿的基金来说，是应该力求避免的。更不要说这个损失，最终会转嫁到投资人身上。作为基金经理，应该找到合适的交易方式，构造一个靠谱的交易成本方程，求解其最优值，并得到其最优的交易执行方案，尽量减少隐形成本的冲击。

对于普通投资者，也不要觉得自己的交易量不大，就忽略对交易费用的考量。投资中的细节问题看似虽小，但能帮你养成一个良好的投资习惯。比如在交易ETF时，尽量避免使用市价委托；还有，除非是交易如SPY这样每天巨量的ETF外，尽量避免在开盘后20分钟左右进行交易。如果金额较大的话，比如一笔超过了2、3万美金的订单，建议多使用程序化委托，例如VWAP（成交量加权平均法）、TWAP（时间加权平均法）、SNAP to  PRIM（跳至首要）等等。 

10

组合的风险管理 

原文作者的大意是：管理一个风格型策略的时候，要有意选择投资组合承担的风险类型，并随着时间的推移管理这些风险。除了之前在组合构建时提到的一些内部风险(如市场风险和行业风险)，投资者还需要注意杠杆率、资产流动性和偿付能力(现金水平)、尾部风险和相关性风险(即因子之间的相关性增加)。 

风险往往会在两个层面聚集：策略本身和投资人的容忍度。当一个策略出现大幅回撤的时候，管理人是否需要做出应对？特别是在管理一个多空策略的时候，如果多头出现差的表现，就会导致空头的敞口相对上升，及时地调整杠杆率，以及维持足够的现金流来支持杠杆率，就显得尤为重要。

而当策略层面出现与预期不一致的时候，比如在市场危机（Market Crisis）中，由于受到市场整体情绪的影响，投资人的风险厌恶往往会上升。当投资人能够承受的风险偏好和现实中的风险水平之间拉开的距离越来越大，很多管理人就会受到投资人的压力的影响，不得不被动地调整组合。

比如在2008年，金融危机的后期，许多投资者亏损惨重，甚至出现流动性危机，因此一些投资人争相赎回尚有流动性的资产，而由于心理账户效应，越是亏损少的基金越是被优先赎回。而这种行为通常意味着投资者在底部或最糟糕的时候投降，然后不愿再冒险。而策略本身也会受到赎回的影响，导致管理人不得不卖出手中的资产，形成恶性循环。

因此为了避免极端时期的非理性行为，投资者应该有一个系统化的危机应对计划。一般来说，这些计划会在【组合回撤变大】或者【短期尾部风险变大】的时候开始逐步减少组合风险；当尾部风险变小的时候，这个风控方案会逐步回调组合的风险。换句话说，如果达到预先规定的回撤水平，能自动地降低风险暴露的敞口(风险变小的时候，则会增加风险敞口)。

写在最后 

写这篇文章真是骑虎难下，因为原文中讨论了非常非常多的现实问题和观点，鄙人不才，在这里无法概括式地总结。要知道原文文末的总结，一共用了43个footnotes（请收下我的膝盖，大家自己去过一遍吧）。从理论研究，到历史回测，到交易执行，里面无数的细节，都可能会导致策略陷入”纸上谈兵“的境地。作为资产管理人，追寻”工匠alpha”的重要性，不言而喻。

严谨的论证不一定能带来好的回报(sorry, you also need a bit of luck)，但不严谨的投资决策过程，一定会让你在未来吃大亏。作为投资人，如果你完整地看完了我们这篇文章，不妨从自己的投资组合中（如果有的话），找出一只采用量化策略的基金，看看这只基金的产品说明书，是否有对以上问题进行回答。如果（肯定）没有，那下次如果碰上某个经理路演，上面的10大问题，就是你在现场鹤立鸡群的法宝了。