承接上篇哈！

现在我们已经知道所谓的多因子模型，其实说白了就是给股票做全面多维度体检。

同时，我也讲了，线性代数是它的数学框架。

那么具体说来，它到底是怎么用数学工具量化的？又是怎么服务实际投资的？

上篇提到，多因子模型的本质，其实就是多因素加权，但背后的降维思想和线性组合思想，才是它能从理论落地到实操的关键。

也就是说，其实早在这东西搞出来之前，华尔街有经验的交易师，已经隐约感觉到这方面的东西了。但是他们只能靠感觉，既说不明白，也算不出来。

而这俩人运用线性代数，把那些模糊的经验认知，转化成了精确的知识和数字。

那具体来说，他们是怎么做到的呢？

比如说，市场上有4000多只A股，影响股价的变量何止成千上万：业绩增速、市盈率、市净率、公司规模、行业景气度、资金流向、政策利好、市场情绪……单看每一个变量，都是一个独立的“维度”，海量维度堆在一起，就像一团理不清的乱麻，普通人根本没法分析。

这时候，线性代数的降维思想就派上用场了——它的核心是：从海量高维变量中，提炼出少数几个有效且独立的核心维度，用这几个维度概括绝大多数信息，把复杂的高维数据简化成清晰的低维主线。

举个线性代数的通俗例子：

假设我们把每只股票的100个影响因素，看作一个100维的向量，在线性代数里，向量就是一组有序的变量集合。这100个维度里，很多是重复或无效的——比如公司员工数量和公司规模高度相关，短期资金炒作和市场情绪高度重合。

线性代数会通过主成分分析（PCA）这种经典方法，计算出哪些维度对股价波动的贡献度最高：比如发现市场因子、规模因子、价值因子这3个维度，能解释80%以上的股价波动，剩下97个维度加起来，只解释不到20%。

于是，我们就把100维的复杂数据，压缩成3维的核心数据——这就是降维。就像看一座高楼，不用盯着每一块砖的位置，只看高度、宽度、结构三个核心维度，就能清楚它的整体形态。对投资者来说，不用盯海量零散信息，只抓核心因子，分析效率直接翻了N倍。

同时它会用到线性组合思想，把收益看做是，因子加权求和，矩阵运算的核心逻辑。

这是多因子模型最核心的数学表达，也是它能量化分析的根源。

多因子模型的核心公式，用线性代数的语言表达是：
股票收益 = 市场因子×系数₁ + 规模因子×系数₂ + 价值因子×系数₃ + … + 误差项

翻译成线性代数的矩阵形式，更直观：

R = Xβ + ε

R：股票的收益向量（代表多只股票的收益，是一个列向量）；

X：因子矩阵（每一行代表一只股票，每一列代表一个因子，比如规模、价值、盈利等，是一个二维矩阵）；

β：因子系数向量（代表每个因子对收益的影响权重，是一个列向量，也就是咱们说的“因子暴露度”）；

ε：误差项（代表模型解释不了的部分，比如突发黑天鹅、纯运气影响）。

每个因子都是权重，共同决定收益。

假设某只股票的收益，只受市场、规模、价值三个因子影响（简化版三因子模型），对应的系数分别是β_1=0.8、β_2=0.5、β_3=-0.2。这里的负数代表该因子对收益是反向影响。

如果当期市场因子涨了1%，规模因子涨了2%，价值因子跌了1%，那这只股票的收益就是：

收益 = 0.8×1\% + 0.5×2\% + (-0.2)×(-1\%) = 0.8\% + 1\% + 0.2\% = 2\%

这里的关键是“线性组合”——股票收益不是单一因子决定的，而是各个因子按系数权重叠加的结果。这和咱们算总分是一个道理：考试总分=语文×权重₁+数学×权重₂+英语×权重₃，每个科目的权重不同，对总分的影响就不一样。

对应到线性代数里，矩阵运算就是帮我们快速完成这种多权重叠加计算的工具。面对几百只股票、十几个因子，人工计算根本来不及，但用矩阵运算，电脑能在几秒钟内算出所有股票的收益归因，这就是线性代数的实用价值。

前面提到的因子暴露度，其实就是公式里的系数β。它代表股票对某个因子的敏感程度：

低估值股票，在价值因子上的暴露度（β）更高，意味着价值因子涨1%，它的收益涨得更多；

小市值股票，在规模因子上的暴露度更高，小盘风格来临时，它的超额收益就更明显。

暴露度不是固定的，会随市场周期、行业变化而调整。比如某只小盘股突然被纳入蓝筹指数，它的规模因子暴露度就会降低，收益受规模因子的影响也会变小。

如果你理解了以上核心思想，咱们就来梳理多因子体系里的核心成员。

经过市场和学术双重验证，这些因子被分为五大经典基础因子，也就是核心骨架，和常用风格因子，也就是补充维度，还有外部影响因子。

每一个因子，背后都对应着线性代数里的变量筛选逻辑，它们都是通过历史数据回测，证明能有效解释收益差异的核心变量。

五大经典基础因子，是多因子模型的核心骨架。这五个因子是所有多因子模型的基础，就像人体的骨骼，支撑起整个分析框架。那么它们是什么含义，怎么验证，怎么量化的呢？

（1）市场因子（Market Factor）

这个因子，代表大盘整体波动对股票收益的影响，是所有因子的基础。

前面我讲过，它是CAPM模型里的唯一因子，在多因子模型里依然保留，因为大盘是影响股价的最大变量。通过矩阵运算，我们能算出每只股票对市场因子的暴露度（β），也就是我们常说的“贝塔值”。

它对我们的意义：赚的是“市场上涨的钱”，是所有投资者都绕不开的收益来源。比如大盘涨5%，哪怕你的股票没踩中任何风格因子，也大概率能跟着涨3%-4%，这就是市场因子的贡献。

（2）规模因子（SMB，Small Minus Big）

意思是说，对比小市值公司和大市值公司的收益差异，核心逻辑是“小市值股票需要更高的风险补偿，长期能获得超额收益”。

法玛-弗伦奇当年就是用线性回归，对不同市值分组的股票收益做了计算——发现小市值组的收益减去大市值组的收益，长期为正，且这个差值在统计上显著（不是偶然），于是验证了规模因子的有效性。

对我们来说有什么意义？它帮我们赚的是小公司成长溢价。但要注意，A股里小盘股的超额收益有明显的周期性，不是永远有效，这也是线性代数回测能发现的规律。

（3）价值因子（HML，High Minus Low）

意思是说：对比低估值，即高账面市值比，和高估值，也就是低账面市值比，股票的收益差异，它的核心逻辑是，便宜股长期会跑赢贵股，估值修复是核心收益来源。

通过计算“低估值股票收益 - 高估值股票收益”的差值，用线性回归验证这个差值的长期显著性。比如用市盈率（PE）、市净率（PB）作为估值指标，分组后计算收益差，就能得出价值因子的有效性。

它帮我们赚的是，估值修复的钱。这个因子非常适合熊市布局，因为低估值股票抗跌性更强；但牛市里，高估值成长股往往涨得更快，价值因子会暂时失效，这也是因子周期的体现。

（4）盈利因子（RMW，Robust Minus Weak）

定义：对比高盈利公司和低盈利公司的收益差异，核心逻辑是“能持续赚大钱、盈利稳定的公司，经营更稳健，长期收益更高”。

这东西常用ROE（净资产收益率）、ROA（总资产收益率）、毛利率等指标作为盈利衡量标准，通过线性回归，计算高盈利组和低盈利组的收益差，证明高盈利组的收益显著更高。

利用这个因子，我们赚的是优质盈利的钱。比如茅台、宁德时代这类高盈利、现金流好的公司，长期收益远低于盈利差的公司，这也是咱们选股票时的核心参考维度。

（5）投资因子（CMA，Conservative Minus Aggressive）

它是对比稳健投资（低资本支出）和盲目扩张（高资本支出）公司的收益差异，核心逻辑是“盲目扩产的公司容易出现产能过剩、现金流断裂，长期收益反而更低”。

用“固定资产投资增速、研发投入增速”等指标衡量公司投资行为，分组后计算收益差，用线性回归验证稳健投资组的收益优势。

我们可以利用这个赚稳健经营的钱。很多公司为了短期业绩，疯狂砸钱扩产、跨界并购，看似热闹，实则埋下隐患，而那些稳扎稳打、不盲目扩张的公司，反而能走得更远。

其实在这五大基础因子之外，还有一批常用的风格因子，它们能进一步提升模型的解释力，就像做菜时的调料，让味道更丰富。这些因子同样是通过线性代数的回测验证，被证明具有长期收益优势。

（1）动量因子（Momentum）

它是指，过去6-12个月涨得好的股票，短期（1-3个月）大概率继续涨。用“过去N个月的累计收益”作为变量，线性回归验证其对当期收益的正向影响。

但是要注意：A股市场短期动量效应不明显，常出现“反转”，中期（6-12个月）动量效应更显著。

（2）反转因子（Reversal）

是指短期（1个月内）涨太多或跌太多的股票，会反向回调，回归均值，适合在A股震荡市中，反转因子的收益优势更明显。

（3）低波动因子（Low Volatility）

像那些股价波动小的股票，长期风险调整后收益更高，因为少亏多赚的复利效应更明显。用股价波动率、标准差作为变量，线性回归验证低波动组的收益优势。

（4）红利因子（Dividend）

这类高股息、稳定分红的股票，适合长期持有，收益由“股息+股价上涨”两部分组成，抗跌性强。适合追求稳健收益的长期投资者，比如退休人群。

（5）成长因子（Growth）

有些营收、净利润增速快的公司，未来成长空间大，能获得超额收益。

但是要警惕一件事：成长因子和价值因子往往是反向的，高成长公司通常估值也高，需平衡搭配。

除了公司自身的因子，宏观环境、行业趋势也会影响股价，这些可以作为外部因子纳入模型，同样用线性代数的方法量化其影响，比如：

行业景气度因子：用行业营收增速、订单量等指标，衡量行业周期对股票收益的影响。

宏观经济因子：GDP增速、通胀率、利率等，影响整体市场资金面。

政策因子：财政政策、货币政策、行业监管政策等，是影响股价的重要变量。

总结一下，我希望你们记住的点：

1. 多因子的两大核心思想：降维思想，线性代数的维度简化，和线性组合思想，矩阵运算的收益计算，这是理解多因子的底层逻辑，也是它能精准量化的关键。

2. 主流因子体系：五大经典基础因子+常用风格因子+外部因子，

今天讲的比较理论化，听上去过于复杂，确实是诺奖级的东西，但是我们作为非专业小白，怎么利用这个东西来赚钱呢？看下篇。