多因子模型的因子正交化：减少因子冗余.docxVIP

多因子模型的因子正交化：减少因子冗余

一、引言

在量化投资与风险分析领域，多因子模型作为解释资产收益和风险的核心工具，通过挖掘多个特征因子（如估值、成长、动量等）的组合效应，为投资决策提供了科学依据。然而，随着因子库的不断扩张，因子间的高相关性（即因子冗余）逐渐成为模型优化的关键障碍。例如，市值因子与流动性因子常因小盘股交易活跃度低而呈现显著正相关，估值因子中的市盈率（PE）与市净率（PB）也可能因会计科目重叠产生共线性。这些冗余不仅导致模型参数估计不稳定，更会削弱因子的独立解释能力，甚至引发过拟合风险（FamaFrench，1993）。在此背景下，因子正交化作为解决冗余问题的核心技术，通过数学变换消除因子间的线性相关性，成为提升多因子模型效能的关键环节。本文将系统探讨因子正交化的理论逻辑、实现路径及实践价值，为模型构建者提供方法论参考。

二、多因子模型与因子冗余的基本认知

（一）多因子模型的核心逻辑与应用场景

多因子模型的本质是通过多个可观测的“解释变量”（因子）拟合资产的超额收益，其核心假设是资产收益由一组公共因子驱动，个体收益则由因子暴露与因子收益的线性组合决定。例如，经典的Fama-French三因子模型通过市场风险、市值（SMB）和账面市值比（HML）三个因子，解释了股票横截面收益的大部分波动（FamaFrench，1993）。随着研究深入，模型逐步扩展至五因子（