因子 / 基本面
难度：进阶
#因子#基本面#Smart Beta#选股
多因子选股（Smart Beta）
通俗理解
给每只股票按多个维度打分（便宜吗、质量好吗、波动低吗…），买综合高分的一篮子股票，像用多个尺子量身高。
✅ 优点
- 系统化、可解释
- 多因子分散风险
- 易于风控与再平衡
- 可对接 Smart Beta 产品
⚠️ 缺点 / 风险
- 因子拥挤导致失效
- 数据质量/幸存者偏差敏感
- 需定期再平衡
- 权重方案主观
参考代码 python
import pandas as pd
def factor_composite(factors: pd.DataFrame, weights=None):
# factors: 各因子横截面值(行=日期, 列=股票)
z = (factors - factors.mean()) / factors.std()
w = weights or pd.Series(1/factors.shape[1], index=factors.columns)
score = z.mul(w, axis=1).sum(axis=1)
# 选得分靠前的股票构建组合
return score
示例为最小可运行片段，用于理解思路；实盘需补充数据、手续费、风控与回测框架。
参考文献 / 延伸
- Fama, E., & French, K. (1993). Common risk factors in returns.
- Asness, C., et al. (2013). Value and Momentum Everywhere.
🌦️ 适用市场环境
基本面分化、因子溢价稳定、非极端情绪的市场（慢牛、价值/质量风格占优、低尾部风险）。
⚔️ 策略博弈关系
克制的策略
暂无
被克制的可能性
因子拥挤或风格切换时整体回撤，被机器学习（捕捉非线性）与趋势跟踪（捕捉方向）在相应阶段克制；极端行情下多因子同跌。
🌍 全球宏观与政治扰动影响分析
因子溢价本质是宏观周期与制度环境的函数——没有永远有效的因子，只有与当前宏观与政策环境相匹配的因子；极端行情下多因子还会同步回撤。
📈 全球宏观因子扰动
-
受损
加息 / 利率上行
高久期成长股杀估值，成长因子显著回撤，价值因子相对占优。
-
双向
通胀高企
价值、质量、低波动因子占优，成长与动量承压，取决于因子配比。
-
受损
衰退
虽然质量 / 低波占优，但小盘、动量、高 beta 大幅回撤，组合整体波动放大。
-
受益
复苏 / 宽松
小盘、成长、动量同时占优，多因子分散化效果最佳。
-
受损
流动性收缩 / 因子拥挤
拥挤因子踩踏（量化挤兑），多因子同跌，分散化失效。
🏛️ 政治与地缘事件扰动
-
受损
监管整顿（反垄断、行业整治）
组合在特定行业或风格上暴露集中受损，净值断层。
-
受益
产业政策（补贴、国产替代、碳中和）
政策主题形成新的因子溢价（如新能源、半导体、专精特新）。
-
受损
国有化 / 价格管制
盈利预期被行政干预，基本面因子（价值 / 质量）定价失真。
-
双向
贸易战 / 供应链脱钩
利好国产替代链、利空出口链，取决于组合的行业暴露。
-
双向
ESG / 政策导向投资
ESG 因子获得政策性溢价，传统因子权重被稀释。
适应 / 崩坏边界：适应：宏观周期与所选因子风格匹配、因子拥挤度低、政策环境稳定。崩坏：风格急转、因子拥挤踩踏、政策直接打击特定因子暴露。
💡 讨论引导（点击可一键提问）
不知从何说起？挑一个问题直接发问，帮助社区冷启动。
💬 讨论区
🔵 登录
- 还没有评论，来做第一个吧。