1.3　因子投資的業界發展

本節梳理因子投資在業界的發展脈絡，以下行文又細分為基金管理人和普通投資者兩個維度[1]；而本書的第7章將會詳細論述業界在實踐因子投資時需要解決的各種問題。

對于主動型管理人來說，因子投資早已成為投資工具箱中的重要選擇。一個因子在學術論文中的超額收益可能非常誘人，但是對于管理人來說，如何在現實中實現它是必須要解決的問題。在實際圍繞某個因子構建投資組合時，必須要考慮可投資性的約束，成功的因子投資需要注重從理論到實踐的每一個細節。對于普通投資者來說，了解每個因子背后的原因，選擇適合自己風險偏好的因子，以及使用合適的金融工具（例如Smart Beta ETF）交易這些因子就成為重中之重。

1.3.1　因子投資和管理人

當管理人實施因子投資時，往往可以從以下幾個角度考慮：（1）收益預測vs風險管理；（2）資金流入削弱因子收益率；（3）因子擇時；（4）各類因子大行其道，如何鑒別能夠獲得超額收益的管理人；（5）創新的價值。

1. 收益預測vs風險管理

不同的管理人使用多因子模型的角度可能截然不同；有的管理人從截面的角度使用因子獲取超額收益；而有的管理人從時序的角度使用多因子模型計算投資組合中股票之間的協方差矩陣，即風險管理；還有管理人使用多因子模型來同時進行收益預測和風險管理，并在這個基礎上進行投資組合的優化。

2. 資金流入削弱因子收益率

當越來越多的資金涌入因子投資時就會造成因子擁擠（factor crowding）。而使用相似的指標排序、接近的調倉頻率的因子投資則加劇了這種負面影響。任何投資策略想要持續賺錢都是利用了市場在某方面的非有效性。當使用的人越來越多，市場在這方面就會變得更有效，從而降低了該因子的預期收益率。

因子擁擠也會造成流動性沖擊。一旦市場中發生沖擊風格因子的事件后，持有相似頭寸的管理人會競相賣出手中的股票，由此產生的流動性危機會造成很大的虧損。2007年8月，很多美股量化基金經理在短時間內清理了相似的頭寸，巨大的拋壓對流動性造成了巨大的打擊，使得這些股票的價格在短時間內大幅下降，導致市場上一些非常優秀的量化對沖基金在短時間內錄得了巨大的虧損。如何定量計算因子擁擠度，并規避因子擁擠帶來的負面影響就是管理人必須面對和解決的問題。

3. 因子擇時

因子擇時是個大課題，其背后的動機簡單而清晰：因子的表現都有周期性，有時能夠獲得超額收益，有時卻持續虧損。因此如果能成功擇時，將會極大提升因子投資的收益率。關于這個話題，Bender et al.（2018）客觀地綜述了使用不同預測指標在不同時間尺度下對不同風格因子擇時的效果。這些預測指標包括因子估值、因子動量、投資者情緒以及各類宏觀經濟指標。

在因子擇時的眾多方法中，最重要的兩類方法是按因子估值（factor valuation）和按因子動量（factor momentum）擇時兩大立場。這兩個立場來自美國兩個著名且風格鮮明的對沖基金。前者的擁躉是來自美國西海岸的Research Affiliates，而后者的支持者是來自美國東海岸的AQR。他們兩家均認為自己的方法更好，認為對方的存在邏輯缺陷，并相互發論文，用實證分析證明對方的錯誤，頗為精彩。

4. 區分α和β收益

隨著因子投資的盛行，一個新的挑戰油然而生：主動管理人獲取的超額收益到底來自異象，還是因為配置了某些因子？從多因子模型的定義以及式（1.3）中的數學符號可知，某個資產的高收益既可能來自高α也可能來自選擇了收益率高的因子并且以高暴露（即高β）配置在這些因子上，因此業界（和學術界）通常把這兩部分收益稱為α和β收益。Bender et al.（2014）指出，管理人獲得的超額收益中，80%的部分可以由因子暴露解釋，只有剩下20%才取決于獲得α的能力。

由于不同風格因子的表現受到宏觀經濟的影響，主動配置因子β（涉及因子擇時和風險控制）從而獲得超額收益也彰顯管理人的能力。在一項最新的研究中，Duanmu et al.（2018）比較了主動β和主動α管理人，并指出從長期來看，最頂尖的主動β型管理人能夠獲得比頂尖的主動α型管理人更優異的收益。

5. 創新的價值

對于任何研究領域，創新的作用都至關重要。對因子投資來說，創新意味著使用新的數據或者算法。隨著大數據的普及，越來越多的管理人開始搜尋新的能夠成為收益源的數據（比如輿情數據、專利數據、新聞數據等）。此外，機器學習算法也被廣泛地應用于因子投資實踐中，包括使用機器學習算法預測基本面財務指標，或挖掘因子和收益率之間的非線性關系。

考慮到數據和技術的革新對金融領域的影響，2019年Institutional Portfolio Research Journals（IPR Journals）為旗下的期刊系列增加了一位最新成員——Journal of Financial Data Science，旨在指導金融領域的實踐者正確使用與日俱增的數據和日新月異的技術。當然，創新的機遇總是伴隨著巨大的挑戰。雖然機器學習在金融領域以及因子投資領域擁有樂觀的前景，但由于金融數據信噪比很低，因此需要時刻保持冷靜。Lopez de Prado（2018）詳細論述了在投資領域實踐機器學習算法時可能遇到的各種坑，填補了理論和實踐之間的空白。

1.3.2　因子投資和投資者

再來看看投資者視角下的因子投資。自20世紀80年代末以來，業界開始把學術界的研究成果很好地落地，形成了許多風格因子指數。舉例來說，1987年羅素（Russell Investments）推出了最早的兩個風格指數，分別對標價值和成長因子。在這之后，標準普爾指數公司（S&P）[2]、明晟（MSCI）等機構也推出了它們各自的風格指數。最初，推出這些指數的目的是評估主動基金經理人的業績。然而不久之后，復制這些指數的基金便應運而生，而這其中的代表則是大名鼎鼎的先鋒集團（Vanguard）。1992年，先鋒推出了第一支價值指數基金和第一支成長指數基金。這些指數基金一經推出便受到了追捧。人們把它們視作主動型價值投資的低成本替代品。鑒于價值因子取得的巨大成功，業界也開始把關注的重點轉移到學術界發現的其他因子，并構造出了一系列Smart Beta ETF產品[3]，造福了普通投資者。

2018年，《經濟學人》估算因子ETFs[4]的總規模超過6500億美元。大量低成本的ETFs產品讓普通投資者也能享受風格因子帶來的收益——前提是能夠選擇適當的ETFs。然而，這并不容易。在一項針對大學本科生和研究生的實驗中，Choi et al.（2009）讓參與者從眾多追蹤標準普爾500指數（簡稱標普500指數，英文S&P 500）[5]的被動型ETFs中挑出他們認為最好的。實驗中為參與者提供了ETFs的費率以及它們在不同時期的收益表現情況。作為具備金融知識的理性投資者來說，鑒于這些ETFs均是被動地追蹤標普500指數，因此應該把費用的高低作為唯一的標準來選擇。然而，參與者被它們在不同時期的收益率差異所迷惑，絕大多數投資者完全忽視了費用的差異，而選擇了收益率最高的ETF。另外，就算是排除了投資者本身的非理性行為，琳瑯滿目的ETF產品也足以讓人迷失。以價值因子為例，表1.1總結了美股上主流的價值因子ETFs。

針對某個因子的不同ETFs，一般可以從因子敞口、費用、流動性等角度進行比較。即便表1.1中所列出ETFs都是為了捕捉價值因子的超額收益，但它們的風格差異卻十分鮮明。這無疑對投資者的選擇帶來了巨大的挑戰。進一步從表1.1列舉的ETFs中挑選那些以標準普爾500指數成分股為標的構建的價值因子ETFs，表1.2統計了它們自2013/04/30至2020/03/31的表現。由于最近幾年價值投資不太好使，這些因子均跑輸標普500指數（SPX）本身，且它們之間也有明顯的差異。從夏普比率的角度來說，最好的要數VTV，而墊底的則是RPV。不幸的是，對于投資者來說，事前就從琳瑯滿目的ETFs中挑出最好的并不容易。

Smart Beta ETFs的流行給投資者提供了越來越豐富的工具，也對投資者提出了更高的要求。在投資ETFs時，投資者需要首先明確自己的目標，比如是分散化風險還是獲得相對于市場的超額收益。在明確目標之后，需要理解每個風格因子背后的邏輯和它代表的風險。唯有這樣，才有可能享受這些標的帶來的更高性價比的風險收益。

[1]Cerniglia and Fabozzi（2018）一文從學術界、管理人和投資者三個視角探討了因子投資，非常值得一讀。本小節的部分內容參考了該文。

[2]在2012年7月，標準普爾指數公司與道瓊斯指數公司合并，成為標普道瓊斯指數有限公司（S&P Dow Jones Indices LLC）。在本書后文介紹相關因子指數的提供商時，將使用標普道瓊斯指數公司。

[3]ETF是Exchange Traded Fund的首字母縮寫，它的中文含義是“交易型開放式指數證券投資基金”，簡稱“交易型開放式指數基金”。ETF是一種跟蹤標的指數變化，且在證券交易所上市交易的基金。投資人可以如買賣股票那么簡單地買賣標的指數的ETF，獲得與該指數基本相同的回報率。

[4]ETFs是ETF的復數形式。文中的表述遵循了英文語法慣例。當使用ETFs時，其含義為多個交易型開放式指數基金產品。

[5]標普500指數由標普道瓊斯指數有限公司開發并維護。該指數包含了美股市場中市值最大的500支股票，被廣泛認為是衡量美國大盤股市場的最好指標。