你们买基金时，常会碰到带“多因子”三个字的产品，乍一听又是模型又是因子，感觉逼格老高了，特别高大上，里面应该都是高科技，好像只有华尔街精英、量化大佬才玩得懂。
那是因为你不懂数学，但凡你学过线性代数，就该知道这东西其实真没那么玄乎。
多因子到底是什么？
多因子模型，本质就是一套用多个经长期市场验证的关键因素，系统解释股票涨跌、衡量投资风险、筛选优质标的的分析框架。
它把金融学逻辑和统计学、数学工具结合在一起，彻底告别了以前炒股“凭感觉、靠经验、听消息”的模糊判断，变成了可量化、可拆解、可验证的科学分析方法。
说白了，它就是给股票做全方位多维体检的工具，不再是单一指标看好坏，而是从多个维度综合打分，这也是它名字里“多因子”的核心由来。
在多因子模型普及之前，资本市场一直用一套经典理论——CAPM资本资产定价模型，这是最典型的单因子分析框架，也是所有投资理论的入门基础，这个东西我之前讲过，你明白了这个东西，才能明白多因子的必要性。
简单来说，CAPM模型是什么？就是一个只看大盘脸色的单因子思路。这个模型的核心逻辑特别简单：一只股票的预期收益和风险，只由大盘走势决定。
这里有个绕不开的关键指标——贝塔（β）值，咱们用大白话解释：大盘涨1%，个股跟着涨1.2%，那这只股票的β就是1.2；如果大盘涨1%，个股只涨0.8%，β就是0.8。
在这个模型里，β值越高，代表股票和大盘的绑定度越高，行情好的时候涨得更猛，行情差的时候跌得也更狠，理论上，只要算出一只股票的β值，就能预判它的收益、衡量它的系统性风险。
但是这玩意儿在使用中，总是被现实piapia打脸。事实证明，单因子模型根本行不通。
理想很丰满，现实很骨感，等你用了就知道，CAPM根本就不好用。市场上大量现象，单靠β值完全解释不了：
比如两只β值几乎一模一样的股票，长期持有下来，收益能相差一倍还多。
比如大盘暴跌、全场亏钱的时候，总有一小部分股票逆势上涨；牛市大盘普涨，也总有股票拖后腿，长期跑输市场。
比如小市值公司的股票，长期收益往往比大市值蓝筹股更高；估值便宜的“冷门股”，也经常跑赢估值虚高的“热门股”。
这些问题都指向一个结论：股票涨跌不是只看大盘这一个因素，公司规模、估值高低、盈利能力、成长速度、所属行业、甚至市场资金情绪，都会共同影响股价。
就像判断一个人健不健康，只看身高完全不够，体重、血压、作息、饮食都得看，单因子模型就是犯了“以偏概全”的错。
也正是因为传统单因子模型的缺陷太明显，学界和投资界才开始不断完善，在大盘因子之外，加入更多有效的分析维度，多因子模型就这样应运而生，完成了投资分析从“单一维度”到“多维全面”的认知升级。
那么这个东西是谁发明的呢？
这是一对神仙搭档发明的，他们的研究直接奠定了现代多因子体系的基础，这俩人就是：尤金·法玛和肯尼斯·弗伦奇。
其中的法玛，就是大名鼎鼎的“有效市场假说之父”，也是2013年诺贝尔经济学奖得主。
早期他们俩一起研究“小市值、低估值股票能获得超额收益”的论文，投稿后直接被学术期刊拒稿。
年轻的弗伦奇特别生气，觉得业内专家没看懂他们的研究。可法玛却很平静，他安慰说：“如果业内的专业人士都读不懂我们的结论，那一定是我们的表述不够清晰，而不是别人的问题。”
瞧见没有？这种人就特别能赚钱，你知道吗？正因为你不知道，或干脆就是你知道，但是不愿意承认，所以你就只能继续穷着呗！
后来他俩重新打磨论文逻辑，简化表达，补充实证数据，最终这篇论文成为金融学界的传世经典，也让多因子模型正式走进大众视野。
1993年，他们推出了1.0版本，三因子模型。这是后来的多因子的基础框架。他们在原来的大盘因子基础上，新增了两个核心因子，补上了单因子模型的短板：
一个是规模因子（SMB）：对比小市值公司和大市值公司，长期来看，小公司因为经营风险更高、股票流动性更差，需要给投资者更高的风险补偿，因此能获得额外的超额收益。
一个是价值因子（HML）：对比低估值和高估值股票，高账面市值比的低估值“便宜股”，长期更容易实现估值修复，跑赢高估值的热门股票。
后来到了2015年，两人结合几十年的市场实证，又对三因子模型做了升级，新增盈利因子和投资因子，推出五因子模型，对股票收益差异的解释力大幅提升：
新添的两个因子分别是：
盈利因子（RMW）：对比高盈利和低盈利公司，能持续保持高ROE、高毛利率、现金流充裕的公司，经营更稳定，长期投资价值更高，能获得超额收益；
投资因子（CMA）：对比稳健投资和盲目扩张的公司，那些疯狂砸钱扩产、盲目跨界投资的公司，更容易出现经营风险，长期收益反而不如谨慎投资、稳健经营的公司。
在这之后，学界和投资界又陆续加入动量、反转、低波动、红利、成长等因子，慢慢形成了如今完整、成熟的多因子体系。怎么样，是不是上面这些词，你都感觉特别熟？现在终于知道他们的来历了吧？
那么为什么我一开始讲，你如果懂一点点线性代数，就可以理解多因子模型？金融知识，怎么会和线性代数扯上关系？
这是因为线性代数是多因子模型的核心数学支撑。
我前面说过，股票收益是由市场、规模、价值等多个因子共同决定的，而不是单一因子。这种一个结果由多个变量共同影响、且变量之间相互独立的关系，就像量子力学一样，这刚好是线性代数最擅长解决的问题。
为什么那么多研究量子力学的物理学者，后来都去华尔街捞金了呢？原因就是，他们用的是同一套方法论。所以学物理的，往往比学金融的，更容易在金融市场赚到钱。
线性代数这套算法，天然就擅长把多维关系量化，并简化计算。
首先，线性代数可以把每一个因子都看作一个独立变量，把股票收益看作因变量，通过线性回归的方式，算出每个因子对股票收益的影响权重，也就是因子的系数，精准量化“哪个因子影响更大、哪个影响更小”。
其次，市场上有几千只股票、十几个常用因子，数据量极其庞大，线性代数里的矩阵运算，能高效处理这种高维数据，把杂乱无章的海量数据，整理成清晰的、可计算的数学关系，避免人工分析的误差和低效。
最后，线性代数的线性组合逻辑，刚好贴合多因子模型的核心思想：股票总收益=各个因子×对应影响权重的总和，完美实现了把多维因子影响叠加、拆解，让模糊的投资分析变成精准的数学计算。
简单来说，线性代数就是给多因子模型搭了一个数学框架，让“多个因子共同影响股价”这个逻辑，从定性描述变成了可计算的定量分析，如果没有线性代数，多因子模型就只能停留在理论层面，没法真正用到实际投资里。
也就是说，如果没有线性代数，大家就还是停留在道理我都懂，但是我算不出来的阶段。而有了线性代数，就变成了可以精确算出来，我可以用这个赚到多少钱了。
