量化投资：多因子模型中的“因子正交化”处理.docxVIP

量化投资：多因子模型中的“因子正交化”处理

引言

在量化投资领域，多因子模型是最核心的分析工具之一。它通过挖掘多个能够解释资产收益的驱动因素（即“因子”），构建数学模型来预测资产价格走势或风险水平。从价值投资中的市盈率、市净率，到成长投资中的净利润增长率，再到技术分析中的动量指标、波动率，这些因子如同投资世界的“七巧板”，组合起来描绘出资产的收益画像。然而，随着因子数量的增加和研究的深入，一个关键问题逐渐显现——不同因子之间往往存在复杂的相关性：价值因子可能与盈利质量因子重叠，成长因子可能与流动性因子交织，这种“剪不断理还乱”的关联关系，会严重影响模型的稳定性和解释力。此时，“因子正交化”处理便成为解决这一问题的关键技术，它像一把“数据手术刀”，通过调整因子间的线性关系，让每个因子独立贡献收益解释力，最终提升模型的可靠性和实用性。

一、多因子模型的底层逻辑与因子相关性困境

（一）多因子模型的核心逻辑：从单一到多元的进化

多因子模型的诞生源于对市场收益来源的更深刻理解。早期的资本资产定价模型（CAPM）仅用市场风险因子（β系数）解释资产收益，但大量实证研究发现，市场中存在无法被β解释的“超额收益”。例如，小市值股票长期跑赢大市值股票（规模因子）、低市盈率股票收益高于高市盈率股票（价值因子）等现象，推动了多因子模型的发展。现代多因子模型通常包含5-10个核心因子，涵盖风格（如价值、成长