多因子模型是量化领域中应用最广泛的选股模型之一，基本原理是采用一系列的因子作为选股标准。

01 多因子模型的由来

1952 年，马科维茨提出了构建证券投资组合的新框架，该框架将不同证券的收益风险特征综合量化考虑，这就是被广为人知的现代组合理论（MPT）。

1964 年，夏普介绍了基于均值-方差理论基础的资本资产定价模型（CAPM）。

根据 CAPM 理论，资产收益值跟一个因子有关。系统性风险越高，贝塔值越高，要求的收益回报越高。但大量数据表明 CAPM 理论提供了一个对风险不完全的描述。

如果一个模型能够更多将系统性风险考虑在内，则对资产收益的建模将更为有效。因此诞生了多因子模型。

02 主要因子

现在的量化机构喜欢把多因子模型说的非常玄乎，其实用一句话说，因子就是选股条件。

市盈率可以作为一个因子，收盘价是一个因子，一条金融新闻也可以是一个因子。

那么，目前量化主要用到的因子是哪些呢？

一般都会有北向因子、成长价值因子、大小盘因子、动量因子。

03 因子有效性

IC（信息系数）、IR（信息比率）一般会作为检验因子有效性的度量指标。

IC代表的是预测值和实现值之间的相关性，通常用于评价预测能力（即选股能力）。

IR等于多个调仓周期的IC均值除以这些IC的标准差，所以IR兼顾了因子的选股能力（由IC表征）和选股能力的稳定性（由IC的标准方差的倒数代表）。

IC最大值为1，表示该因子选股100%准确，对应的排名分最高的股票，选出来的股票在下格调仓周期中涨幅最大；反之-1，则是反向指标。实际中对于多年的IC均值，当IC>0.03时，就可视为有效因子，当IC>0.1，就可以认为是很好的阿尔法因子了。当IC均值接近0，可视为无效因子。

IR大于0.5时，因子稳定获取超额收益的能力较强。

04 讲在最后

市场是千变万化的，但是模型毕竟是死板的。

所以很多量化挠破了头创新，最后发现结果差不多，甚至更差。如果回测过程中过度优化，可能就会存在过拟合的情况。