1.3　因子投资的业界发展

本节梳理因子投资在业界的发展脉络，以下行文又细分为基金管理人和普通投资者两个维度[1]；而本书的第7章将会详细论述业界在实践因子投资时需要解决的各种问题。

对于主动型管理人来说，因子投资早已成为投资工具箱中的重要选择。一个因子在学术论文中的超额收益可能非常诱人，但是对于管理人来说，如何在现实中实现它是必须要解决的问题。在实际围绕某个因子构建投资组合时，必须要考虑可投资性的约束，成功的因子投资需要注重从理论到实践的每一个细节。对于普通投资者来说，了解每个因子背后的原因，选择适合自己风险偏好的因子，以及使用合适的金融工具（例如Smart Beta ETF）交易这些因子就成为重中之重。

1.3.1　因子投资和管理人

当管理人实施因子投资时，往往可以从以下几个角度考虑：（1）收益预测vs风险管理；（2）资金流入削弱因子收益率；（3）因子择时；（4）各类因子大行其道，如何鉴别能够获得超额收益的管理人；（5）创新的价值。

1. 收益预测vs风险管理

不同的管理人使用多因子模型的角度可能截然不同；有的管理人从截面的角度使用因子获取超额收益；而有的管理人从时序的角度使用多因子模型计算投资组合中股票之间的协方差矩阵，即风险管理；还有管理人使用多因子模型来同时进行收益预测和风险管理，并在这个基础上进行投资组合的优化。

2. 资金流入削弱因子收益率

当越来越多的资金涌入因子投资时就会造成因子拥挤（factor crowding）。而使用相似的指标排序、接近的调仓频率的因子投资则加剧了这种负面影响。任何投资策略想要持续赚钱都是利用了市场在某方面的非有效性。当使用的人越来越多，市场在这方面就会变得更有效，从而降低了该因子的预期收益率。

因子拥挤也会造成流动性冲击。一旦市场中发生冲击风格因子的事件后，持有相似头寸的管理人会竞相卖出手中的股票，由此产生的流动性危机会造成很大的亏损。2007年8月，很多美股量化基金经理在短时间内清理了相似的头寸，巨大的抛压对流动性造成了巨大的打击，使得这些股票的价格在短时间内大幅下降，导致市场上一些非常优秀的量化对冲基金在短时间内录得了巨大的亏损。如何定量计算因子拥挤度，并规避因子拥挤带来的负面影响就是管理人必须面对和解决的问题。

3. 因子择时

因子择时是个大课题，其背后的动机简单而清晰：因子的表现都有周期性，有时能够获得超额收益，有时却持续亏损。因此如果能成功择时，将会极大提升因子投资的收益率。关于这个话题，Bender et al.（2018）客观地综述了使用不同预测指标在不同时间尺度下对不同风格因子择时的效果。这些预测指标包括因子估值、因子动量、投资者情绪以及各类宏观经济指标。

在因子择时的众多方法中，最重要的两类方法是按因子估值（factor valuation）和按因子动量（factor momentum）择时两大立场。这两个立场来自美国两个著名且风格鲜明的对冲基金。前者的拥趸是来自美国西海岸的Research Affiliates，而后者的支持者是来自美国东海岸的AQR。他们两家均认为自己的方法更好，认为对方的存在逻辑缺陷，并相互发论文，用实证分析证明对方的错误，颇为精彩。

4. 区分α和β收益

随着因子投资的盛行，一个新的挑战油然而生：主动管理人获取的超额收益到底来自异象，还是因为配置了某些因子？从多因子模型的定义以及式（1.3）中的数学符号可知，某个资产的高收益既可能来自高α也可能来自选择了收益率高的因子并且以高暴露（即高β）配置在这些因子上，因此业界（和学术界）通常把这两部分收益称为α和β收益。Bender et al.（2014）指出，管理人获得的超额收益中，80%的部分可以由因子暴露解释，只有剩下20%才取决于获得α的能力。

由于不同风格因子的表现受到宏观经济的影响，主动配置因子β（涉及因子择时和风险控制）从而获得超额收益也彰显管理人的能力。在一项最新的研究中，Duanmu et al.（2018）比较了主动β和主动α管理人，并指出从长期来看，最顶尖的主动β型管理人能够获得比顶尖的主动α型管理人更优异的收益。

5. 创新的价值

对于任何研究领域，创新的作用都至关重要。对因子投资来说，创新意味着使用新的数据或者算法。随着大数据的普及，越来越多的管理人开始搜寻新的能够成为收益源的数据（比如舆情数据、专利数据、新闻数据等）。此外，机器学习算法也被广泛地应用于因子投资实践中，包括使用机器学习算法预测基本面财务指标，或挖掘因子和收益率之间的非线性关系。

考虑到数据和技术的革新对金融领域的影响，2019年Institutional Portfolio Research Journals（IPR Journals）为旗下的期刊系列增加了一位最新成员——Journal of Financial Data Science，旨在指导金融领域的实践者正确使用与日俱增的数据和日新月异的技术。当然，创新的机遇总是伴随着巨大的挑战。虽然机器学习在金融领域以及因子投资领域拥有乐观的前景，但由于金融数据信噪比很低，因此需要时刻保持冷静。Lopez de Prado（2018）详细论述了在投资领域实践机器学习算法时可能遇到的各种坑，填补了理论和实践之间的空白。

1.3.2　因子投资和投资者

再来看看投资者视角下的因子投资。自20世纪80年代末以来，业界开始把学术界的研究成果很好地落地，形成了许多风格因子指数。举例来说，1987年罗素（Russell Investments）推出了最早的两个风格指数，分别对标价值和成长因子。在这之后，标准普尔指数公司（S&P）[2]、明晟（MSCI）等机构也推出了它们各自的风格指数。最初，推出这些指数的目的是评估主动基金经理人的业绩。然而不久之后，复制这些指数的基金便应运而生，而这其中的代表则是大名鼎鼎的先锋集团（Vanguard）。1992年，先锋推出了第一支价值指数基金和第一支成长指数基金。这些指数基金一经推出便受到了追捧。人们把它们视作主动型价值投资的低成本替代品。鉴于价值因子取得的巨大成功，业界也开始把关注的重点转移到学术界发现的其他因子，并构造出了一系列Smart Beta ETF产品[3]，造福了普通投资者。

2018年，《经济学人》估算因子ETFs[4]的总规模超过6500亿美元。大量低成本的ETFs产品让普通投资者也能享受风格因子带来的收益——前提是能够选择适当的ETFs。然而，这并不容易。在一项针对大学本科生和研究生的实验中，Choi et al.（2009）让参与者从众多追踪标准普尔500指数（简称标普500指数，英文S&P 500）[5]的被动型ETFs中挑出他们认为最好的。实验中为参与者提供了ETFs的费率以及它们在不同时期的收益表现情况。作为具备金融知识的理性投资者来说，鉴于这些ETFs均是被动地追踪标普500指数，因此应该把费用的高低作为唯一的标准来选择。然而，参与者被它们在不同时期的收益率差异所迷惑，绝大多数投资者完全忽视了费用的差异，而选择了收益率最高的ETF。另外，就算是排除了投资者本身的非理性行为，琳琅满目的ETF产品也足以让人迷失。以价值因子为例，表1.1总结了美股上主流的价值因子ETFs。

针对某个因子的不同ETFs，一般可以从因子敞口、费用、流动性等角度进行比较。即便表1.1中所列出ETFs都是为了捕捉价值因子的超额收益，但它们的风格差异却十分鲜明。这无疑对投资者的选择带来了巨大的挑战。进一步从表1.1列举的ETFs中挑选那些以标准普尔500指数成分股为标的构建的价值因子ETFs，表1.2统计了它们自2013/04/30至2020/03/31的表现。由于最近几年价值投资不太好使，这些因子均跑输标普500指数（SPX）本身，且它们之间也有明显的差异。从夏普比率的角度来说，最好的要数VTV，而垫底的则是RPV。不幸的是，对于投资者来说，事前就从琳琅满目的ETFs中挑出最好的并不容易。

Smart Beta ETFs的流行给投资者提供了越来越丰富的工具，也对投资者提出了更高的要求。在投资ETFs时，投资者需要首先明确自己的目标，比如是分散化风险还是获得相对于市场的超额收益。在明确目标之后，需要理解每个风格因子背后的逻辑和它代表的风险。唯有这样，才有可能享受这些标的带来的更高性价比的风险收益。

[1]Cerniglia and Fabozzi（2018）一文从学术界、管理人和投资者三个视角探讨了因子投资，非常值得一读。本小节的部分内容参考了该文。

[2]在2012年7月，标准普尔指数公司与道琼斯指数公司合并，成为标普道琼斯指数有限公司（S&P Dow Jones Indices LLC）。在本书后文介绍相关因子指数的提供商时，将使用标普道琼斯指数公司。

[3]ETF是Exchange Traded Fund的首字母缩写，它的中文含义是“交易型开放式指数证券投资基金”，简称“交易型开放式指数基金”。ETF是一种跟踪标的指数变化，且在证券交易所上市交易的基金。投资人可以如买卖股票那么简单地买卖标的指数的ETF，获得与该指数基本相同的回报率。

[4]ETFs是ETF的复数形式。文中的表述遵循了英文语法惯例。当使用ETFs时，其含义为多个交易型开放式指数基金产品。

[5]标普500指数由标普道琼斯指数有限公司开发并维护。该指数包含了美股市场中市值最大的500支股票，被广泛认为是衡量美国大盘股市场的最好指标。