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

📐 标的选取方法

如何从全部可交易品种中筛出适合本策略的标的：资产范围、流动性门槛、过滤规则与容量约束。

可选范围：全市场 A 股（可视需要剔除金融、地产）或指数成分股（沪深300 / 中证500 / 中证1000）。
硬性过滤：剔除 ST/*ST、上市不足 6 个月、停牌、处于退市整理期、以及关键财报缺失的股票。
流动性门槛：日均成交额 ≥ 3000 万–1 亿元（取决于资金规模），并剔除经常封涨跌停、无法成交的标的。
因子覆盖度：每个因子截面覆盖率需 ≥ 80%；财务因子必须使用「公告日」而非「报告期」对齐，防止前视偏差。
极值处理：因子先做去极值（MAD 或分位裁剪），再标准化（Z-Score），最后做行业、市值中性化。
分域构建：按行业或市值分层选股，避免组合过度集中在银行、白酒等少数板块。
容量约束：限制单票权重（如 3%–5%）与单行业权重（如 20%），并纳入换手与交易成本约束。
常见坑：用「当前成分股」回测历史会产生成分股幸存者偏差；财报数据用错日期会造成前视偏差。

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。

🧩 策略实现代码区 0 个实现

同一策略派系下，社区成员各自分享自己的代码实现；社区投票 + 官方评选，最优秀的实现会被选为「代表实现」置顶展示。

登录后提交实现

还没有实现，欢迎成为第一个分享者。

💬 讨论区

还没有评论，来做第一个吧。