多因子选股是量化投资中最常见的选股方法，它的基础是Fama-French三因子模型。经国内学者大量数据验证，经典的Fama-French三因子在中国股市中也是有效的，开启了国内量化交易寻找优质因子应用于交易的先河。2010年股指期货上市，基于多因子选股的股票市场中性策略得以实践，量化对冲基金开始活跃起来。多因子选股模型采用一系列的因子作为选股指标，如PB，PE，动量，换手率，预期收益率等，通过建立一系列检验、测试和评价模型输出最终股票仓位，本篇主要介绍构建多因子选股模型的简化流程和绩效分析。

候选因子选取

http://s10/mw690/006foAwszy7gOhqTR8t29&690

因子研究需要数据支撑，构思出来的因子需要确定其计算方法和数据采集来源。数据的丰富程度很大程度决定了量化研究能否顺利开展和研究结果对股票收益预测的准确性。

在真实的市场环境下，投资者将所有的风险都暴露在某一个因子下，显然是不够理性的。策略开发时，通常会对多个因子进行合成，以求能最大化各因子有效性带来的溢价的同时降低单个因子带来的风险暴露，达到二者之间的一个动态平衡。

候选因子有效性检验

通过多角度、更严格的方法度量因子的有效性和稳健性，可以确保分析结果不受数据偶然性巧合所影响，因子有效性检验方法根据原理不同有多种方法，这里介绍常见的打分法和Fama-French三因子模型中使用到的方法。

打分法：以因子数值大小为标准，对个股进行评分，按照一定的权重加权得到个股得分，最后根据总分对股票进行筛选。通过打分法回测得到股票组合收益率，能够对备选的选股模型做出优劣评价。

打分法不容易受到极端值的影响，但需要对各个因子的权重做一个相对主观的设定，这也是打分法在实际模型评价过程中，比较困难和需要模型求取的关键点所在。

http://s7/mw690/006foAwszy7gOhtCTiK66&690
三因子模型使用的方法：对样本股票按因子值从大到小分为5组，并定期更新调整。分别计算各组股票平均收益率，通过考察收益率差值、因子和收益率排序的相关性来评价因子有效性。

http://s5/mw690/006foAwszy7gOhvy49Sb4&690

因子合成

在多因子量化投资体系中，具有稳定的预期收益，可解释的经济驱动理论，与其他因子的低相关性是选择alpha因子的关键指标。通过检验得到的有效因子，如存在较高的相关性，这大都意味着其代表了同一类的信息，对股票收益解释能力有限，不能达到分散风险的目标。对于高相关性的因子，采用因子合成的方法，尽可能保留其有效信息。

等权法：每个因子等权重进行加权，如动量因子：一个月收益率、两个月收益率、三个月收益率、六个月收益率这四个因子按各1/4的权重加权得到新的动量因子。

历史收益率加权法：以因子各自历史收益率为权重进行加权，这样可以获得最大解释力的大类因子，但是由于共线性问题通过回归计算出的因子收益率非常不稳定。

历史信息比例加权法：信息比例是评判因子有效性的一个重要指标，按照各个因子历史信息比率值对因子进行加权，历史信息比率甲醛法同时考虑因子历史收益率和波动率，相对历史收益率加权法更加稳健。

建立模型

因子筛选完成后，便可建立模型来筛选股票。最常见的构建方法是通过多元线性回归，对因子和未来收益之间的线性关系进行评估。基于回归的多因子模型具有基于数据挖掘量化投资模型的特性。可以更高效的在历史数据中发现一些有效的因子组合，指导我们的投资工作。回归方程的系数可以看成是我们选股因子的权重。假定这个回归关系是可以在下一期继续得到保留，将最新一期的因子值代入到回归方程中，得到回归方程的预测值，然后根据预测值的大小对股票进行排序，选择出取值较高的那一组股票作为我们的投资组合。这样在m个样本考察期中，我们就可以这样得到m组投资组合。根据多因子选出的股票直接代入系统进行历史回测，得到回测报告。直接根据回测报告中投资的收益的稳定性和盈利性，通过观察投资组合在历史行情中的表现检测稳定性。通过对投资组合的平均收益率分析来验证其收益性。

http://s5/mw690/006foAwszy7gOhyi7Zyf4&690

由于数量选股模型的方法是建立在市场无效或弱有效的前提之下，随着使用多因子选股模型的投资者数量不断增加，有的因子会逐渐失效，而另一些新的因素可能被验证有效而加入选股模型。

一些因子可能在在过去的市场环境下比较有效，而随着市场风格的改变，这些因子可能短期失效，另外一些以前无效的因子会在当前市场环境下表现较好。

未来交易成本和风险因素随着市场变迁存在改进的空间。

综上，在选股模型的使用过程中会对因子、模型本身做持续的再评价和不断的改进以适应变化的市场环境。