报告核心观点概述 [page::1][page::2]

• 多因子策略通过综合多个因子值进行选股，强调提升收益，适合因子稳定且区分度强的市场环境。

- 多策略则重视基于因子收益的组合，强调风险分散和最大回撤控制，适合收益来源多样化且时序相关性弱的情形。

• 量价因子和基本面因子分属两大核心收益来源，分别对应交易行为和公司基本面信息。

单因子策略构建与因子收益来源分析 [page::5][page::6][page::7][page::8][page::9]

• 利用优化组合方法构建单因子策略，严格控制行业、个股偏离及市值线性相关，确保风险端可控。

- 因子体系划分为分析师类、财务基本面类和量价细分为交易拥挤度、空头意愿、交易稳定性和局部定价四类，因子收益体现出多样化风险特征。

• 主成分分析和聚类方法揭示了因子收益来源的区分，同时指出了因子值相关性与因子收益相关性存在背离，影响策略构建效果。

因子相关性差异与收益影响 [page::10][page::11]

• 因子值相关性与因子收益相关性存在显著差异，例如盈利类因子收益相关性高而因子值低。

- 因子收益与线性市值风格亦存在系统性关联，基本面因子与市值负相关，量价因子与市值正相关。

• 单因子策略能够更直观反映股票多头超额收益，贴合A股做多主导的市场特点。

多因子与多策略策略构建及表现比较 [page::12][page::13][page::14]

| 因子相关性类型 | 策略 | 沪深300 超额年化收益 | 超额最大回撤 | 信息比 | 月度胜率 | 月度盈亏比 |
|----------------|-------|-----------------|-------------|--------|--------|-----------|
| 高因子相关、高收益相关 | 多因子 | 4.49% | -6.06% | 1.19 | 67.82% | 2.30 |
| | 多策略 | 4.09% | -6.77% | 1.11 | 64.37% | 2.19 |
| 高因子相关、低收益相关 | 多因子 | 2.85% | -15.81% | 0.57 | 56.63% | 1.49 |
| | 多策略 | 2.98% | -11.18% | 0.68 | 57.83% | 1.64 |
| 低因子相关、低收益相关 | 多因子 | 6.89% | -6.67% | 1.81 | 70.11% | 3.19 |
| | 多策略 | 5.27% | -5.48% | 1.87 | 72.99% | 3.46 |
| 低因子相关、高收益相关 | 多因子 | 7.02% | -8.97% | 1.83 | 68.39% | 3.18 |
| | 多策略 | 6.24% | -8.36% | 1.92 | 69.54% | 3.91 |

• 多因子通过整合因子值提升收益表现，多策略通过组合因子策略收益实现风险分散，两者表现互补。

- 不同因子相关性条件下，策略收益和最大回撤表现出明显差异，多策略在高收益相关性因子中风险控制更优。

• 多因子策略更适合收益提升需求，依赖市场环境；多策略适合风险管理需求，更依赖因子池的质量。

多因子和多策略的权重配置影响与市场表现 [page::15][page::16][page::17]

• 使用等权、IC加权、波动倒数加权和风险平价加权几种权重分配方式，不同配置对策略收益和风险产生不同影响。

- 多因子IC加权策略收益最高，多策略风险平价加权波动最低，信息比和CALMAR表现优于多因子。

• 2024年因子普遍失效期间，多策略相对于多因子在风险管控表现更稳健，特别是在4月22日市场风格极端变动后效果明显。

总结性观点与策略建议 [page::18]

• 多因子和多策略均基于因子收益来源，依赖因子有效性完成选股任务。

- 多因子侧重Alpha信息整合，重视高收益，适合因子表现稳健环境。

• 多策略重视收益来源差异和风险分散，适合复杂和多变市场。

- 因子择时（尤其IC加权）是提升策略表现的关键，多策略也需依赖有效因子筛选。

• 建议根据市场环境和投资目标综合采用多因子和多策略，兼顾收益与风险管理。[page::18][page::20]

报告深度分析：《多因子选股（十八）：从多因子到多策略》

---

一、元数据与报告概览

• 标题：《多因子选股（十八）：从多因子到多策略》

- 发布机构：长江证券研究所

• 发布日期：2024年（具体月份未明确）

- 作者及联系人：郑起、覃川桃，均持有中国证券业协会颁发的SAC资格证书，分别负责报告的研究撰写。

• 研究主题：聚焦于股票量化选股模型中"多因子"策略与"多策略"策略的理论分析与实证比较，特别强调因子收益来源的分析、模型构建、风险配置以及收益表现差异。

核心论点及信息提炼：

• 报告探讨了多因子策略和多策略的内在区别，强调因子值和因子收益的概念差异；

- 多因子策略通过对因子值加权形成个股评分，注重收益的提升但风险配置相对集中，容易受市场极端风险影响；

• 多策略通过汇聚多个单因子策略的收益来源实现风险分散，更注重风险端的控制，减小极端损失，提升风险收益比；

- 2024年因子回撤现象突出，体现了多因子策略在极端市场的不足，多策略则展示出更好的风险分散能力。

综上，作者想要传达的核心信息为：传统多因子策略在极端市场环境下存在风险集中问题，建议转向基于因子收益来源的多策略框架以优化风险收益配置，实现风险端的可控和收益端的稳定提升。[page::1,2]

---

二、逐节深度解读

2.1 报告要点

• 2024年初，代表量价信息的非流动性因子导致多因子策略在超额收益层面产生明显回撤，但整体因子数量有限，影响有限。

- 合成因子策略在因子头部权重重合时，会导致组合偏离某些收益来源，从而带来尾部风险。

• 强化风险拆解需求驱动模型从“合成因子策略”转向“多策略”管理。

- 多策略通过组合单因子策略的收益来源，实现收益来源分散与风险控制。[page::1]

2.2 单因子策略章节剖析

• 论点总结：

- 单因子策略在2024年初受到非流动性等量价因子的极端回撤影响，但整体因子在Alpha表现端影响有限。
- 合成因子策略权重与头部组合重合度呈正相关，但存在少部分因子权重低但与头部重合度高的异常（如量价相关性、非流动性），这反映因子收益来源交叉导致的风险集中。

• 推理与证据：

- 图1（2023-2024年走势）显示合成因子表现优于合成收益，因子收益回撤幅度较小，合成收益受影响更多。
- 图2（因子头部组合重合度与权重）证实部分量价相关因子虽然权重不高，但个股重合度较高，诱发尾部风险。

• 关键数据点：

- 因子合成权重与头部组合重合度相关系数为54.29%，表示相对稳健的正关联。
- 造成回撤的主要因子为非流动性相关因子，其头部重合度显著偏离。

• 构建单因子策略的方法：

- 避免传统"分组法"风险暴露不足及"纯因子法"多空收益非多头特性问题。
- 采用最大化因子值为目标，构建多头组合，结合组合优化严格风险约束（市值中性0.05，行业偏离0.5%，个股偏离1%），确保多头策略风险端可控。

• 表1（选股因子定义）详列了因子分类（波动、空头意愿、交易拥挤度、流动性、局部定价、质量、成长、分析师预期等），每个因子都有明确理论方向及计算方法，覆盖广泛交易及基本面信息。
• 总结：

- 单因子策略以多头组合形式逼近因子的超额收益能力，结合风险管理提高策略实用性。
- 引入多维因子体系，涵盖量价和基本面，支持进一步多策略构建。[page::5,6]

2.3 因子收益来源的深入分析

• 主成分分析（PCA）：

- 图4与图5阐明基本面因子（盈利、成长、分析师预期）与量价因子在收益成分上呈现反向特征，体现出两个独立的收益来源空间。
- 全体系第一主成分收益与基本面因子均值减去量价因子均值的相关性高达96.61%；量价体系内部相关性则为84.44%，存在内部更多细分收益来源。

• 聚类分析：

- 对月度因子收益采用Kmeans聚类，将因子细分为六类：分析师、财务基本面、交易拥挤度、空头意愿、交易平稳、局部定价。
- 聚类结果验证了因子收益来源的多样性及交叉影响，揭示了传统按因子值划分的不足。

• 结论：

- 因子需基于收益层面而非仅因子值相关性分类，以更真实反映选股逻辑及风险暴露。
- 量价与基本面的收益来源有明显区分，基于聚类进一步细化收益来源为多样组合配置提供理论支持。[page::7-9]

2.4 因子值与因子收益的差异及影响

• 现象分析：

- 因子值相关性并非必然等同于因子收益相关性。
- 头部选股组合的因子间重合度虽与因子值相关性正相关，但存在显著背离案例（如特异率-残差波动率），表明因子收益不能完全通过因子值线性关系解释。

• 解释：

- 报告提出“因子对因子收益的影响”即影响无法通过传统因子中性消除，组合中性虽更有效，但依旧存在市值风格对因子收益的潜在联动。
- 图10展示基本面因子收益与线性市值负相关，量价因子收益则正相关，进一步表明基本面和量价因子在投资风格上的反向特征。
- 图11以盈利因子为例，体现了因子收益与规模风格的动态相关关系。

• 总结：

- 强调因子收益的优势在于更贴近市场实际投资行为，重视市场风格和风险收益关系，为多因子优化和因子择时提供重要视角。[page::10,11]

2.5 多因子VS多策略对比分析

• 定义区别：

- 多因子：基于因子值合成，构建加权多因子组合，注重综合个股评分及Alpha信息最大化。
- 多策略：基于单因子策略收益合成，即多个多头单因子策略加权组合，侧重收益来源分散，降低风险。

• 因子值与收益相关性四种典型情况列举（表4）：

- 高值相关高收益相关（成交占比熵&换手率变异系数）
- 高值相关低收益相关（非流动性&低量每笔成交）
- 低值相关低收益相关（短期反转&相对净利润增长）
- 低值相关高收益相关（盈利&波峰）

• 表现差异（表5）：

- 当因子收益来源存在差异，多策略在降低风险方面优势明显；
- 多因子更适合因子Alpha强、因子值差异大的情境；
- 多策略适用于收益来源更分散、风险平衡需求高的环境；
- 某些因子组合中多因子和多策略均可提升策略表现。

• 权重配置对比（表6及后续）：

- 四种权重方案：等权，IC加权（信息比），波动倒数，风险平价。
- 多因子策略以IC加权的收益表现最优，波动倒数及风险平价权重在风险控制维度改善明显。
- 多策略以风险平价权重风险控制优势更明显，波动倒数权重同样有效。
- 两者风险收益有明显分野，多因子偏收益提升，多策略倾向风险分散。[page::12-14]

2.6 策略收益及风险指标动态表现

• 因子逐步添加变化（图12、13）：

- 多因子的收益随着因子数量增加逐步提高，信息比变化与收益趋势同步；
- 多策略收益因初始组合为平均收益，后续低收益因子加入导致收益略降，但信息比稳步提升，说明风险分散效果明显。

• 时间序列表现比较（图14、15）：

- 2010年至2024年沪深300与中证500均实现正向超额收益；
- 2017-2020年为因子选股相对弱周期，策略相对收益均下降，但多策略相较多因子表现出更强的风险控制能力。

• 2024年特殊市场环境（图16、17与表8）：

- 因子失效现象明显，特别是4月22日后，表现尤为突出。
- IC加权多因子策略收益仍较好，但风险平价加权多因子及多策略策略表现逊色，尤其在中证500板块风险控制几乎失效。
- 多策略风险平价加权表现最稳，最大回撤最低，体现风险配置优势。[page::16-17]

---

三、图表深度解读

图1（2023-2024年合成因子与合成收益走势）

• 描述：曲线显示合成因子（浅灰色）和合成收益（红色）走势。

- 趋势解读：合成因子整体稳健上行，合成收益波动较大，2024年初出现回撤，表明尽管因子本身信息稳定，但组合收益受到市场波动影响较大。

• 联系文本：支持单因子策略回撤部分因子影响较大，但整体影响有限的论断。

图2（因子权重与头部组合重合度）

• 描述：各因子的合成权重（红色）与头部组合中的股票重合度（灰色）。

- 解读：权重与重合度相关性54.29%，非流动性因子虽权重一般，但重合度极大，体现收益来源重叠和风险集中。

• 文本联系：解释多因子合成过程中因子间重合引发风险。

图4、5（主成分分析第一转换向量）

• 描述：因子收益对应第一主成分的转移系数。

- 解读：正负系数明显分隔基本面和量价因子，两类因子收益来源存在显著分界。

• 意义：反映整个体系风险的主要驱动力为两大因子类区分。

图6、7（第一成分收益与平均收益趋势）

• 描述：全体系及量价体系主成分收益与对应均值收益走势。

- 解读：高相关表明主成分模型有效捕捉收益主驱动，但量价因子内部多样性带来一定波动差异。

表1（选股因子定义）

• 内容详尽，涵盖波动、空头意愿、交易拥挤、流动性、局部定价、质量、成长、分析师预期等多个维度。

- 每个因子均有描述计算方式及理论投资方向，为构建单因子策略提供详细基础。

表2（聚类结果）

• 通过Kmeans聚类获得八组、七组不同参数配置下的因子分类，证实传统分类不足与收益来源更细分情况。

- 示意因子间存在收益来源的交叉和重叠，尤其是量价因子内部显著差异。

表4（因子值与因子收益相关性对比）

• 揭示因子值与因子收益相关性存在四种典型组合，直接影响多因子和多策略构建效率。

表5（不同因子相关性条件下多因子、多策略表现对比）

• 用多项指标（超额收益、最大回撤、信息比、月度胜率等）综合展示两种策略优劣，表明策略选择应结合因子相关性情况。

表6（不同权重配置下多因子、多策略的风险指标）

• 对多因子和多策略在年化超额收益、最大回撤、跟踪误差等指标进行系统对比，指出两种策略在收益和风险侧重点的差异。

图12、13（因子添加对收益和信息比影响）

• 多因子的收益随着因子加入整体提升，信息比趋势同步；多策略收益受影响较小但信息比提升，反映风险分散机制有效。

图14、15（沪深300与中证500板块多因子、多策略时序比较）

• 绝对收益和相对收益趋势均体现策略的市场表现与风险控制能力，特别是多策略在某些时段能更好地控制回撤。

图16、17（2024年沪深300、中证500多因子多策略累计超额收益）

• 分别反映两策略在不同权重配置和市场标准下的表现差异，为策略实时调整提供依据。

---

四、估值分析

• 本报告重点为量化策略构建及表现分析，未涉及企业估值模型及目标价设定，故无传统估值分析部分。

---

五、风险因素评估

• 模型失效风险：宏观经济与市场结构变化可能导致模型失效，特别在行情剧烈波动时，过去历史数据外的模式或不再适用。

- 历史数据局限性：回测基于历史数据，未来市场变化及样本外分布差异增加了预测的不确定性。

• 极端市场表现：2024年初量价因子导致的策略回撤表明极端行情可能使多因子策略收益受限，尾部风险突出。

- 依赖因子有效性：无论多因子还是多策略均依赖因子有效性，因子失效导致策略表现不稳定。

• 风险与收益权衡：多因子风险集中，市场极端时表现弱；多策略虽风险分散，但依赖因子池筛选，若收益来源不分散则表现受限。

- 缓解策略：多策略通过收益来源分散对应市场时序变化，实现风险控制优势，且IC加权实现因子择时提升风险收益比。

综上，风险提示全面且贴近实际，表明策略存在机遇与挑战并存的特征。[page::2,20]

---

六、审慎视角与细微差别

• 潜在偏见：

- 报告较为强调多策略优势，可能忽视多策略在收益来源高度集中时的表现下滑风险。
- 对多因子策略风险集中的表述较为突出，少强调多因子策略在收益提升阶段的阶段性优势。

• 假设稳健性：

- 因子有效性假设关键，且依赖历史数据，面对样本外环境可能存在较大不确定性。
- 风险约束同等假设但资产组合有效分散风险，导致多因子和多策略风险对比不完全等效，提示对比结果需谨慎解读。

• 内在矛盾：

- 多因子不依赖因子池筛选而多策略依赖的叙述中，存在因子池定义不够清晰的隐含矛盾，可能在实际应用中带来选择复杂性。

• 技术细节：

- PCA和聚类方法的选择与参数设定对因子归类结果影响较大，报告中未详细披露参数调优过程，存在方法局限。

• 结论重复及条理：

- 报告后期对多因子、多策略区别及原因有多次重复，条理略显冗余。

---

七、结论性综合

本报告围绕多因子选股策略中的“因子值”和“因子收益”的区别展开，提出并验证了由单因子出发向多策略过渡的合理路径。通过详实的数据和多种统计学方法（主成分分析、聚类分析、相关性分析），报告成功解析了量价与基本面因子之间的显著差异及其收益来源，并从理论和实证角度对比多因子与多策略在风险收益表现上的优势与劣势。

• 因子收益分类划分为分析师预期、财务基本面、交易拥挤度、空头意愿、交易平稳及局部定价，明确了多因子选股收益的多维度来源；

- 单因子策略构建实现因子收益的风险端可控，为多策略组合奠定基础；

• 多因子策略重点在于因子值整合和Alpha最大化，具备强收益提升功能，但风险集中，对极端市场环境适应较弱；

- 多策略策略重视收益来源分散和风险配置，通过组合多个单因子策略收益，降低极端亏损风险，增强策略稳定性；

• 权重配置的应用优化显示IC加权可有效提升两者的风险收益比，强化因子择时功能；

- 2024年实证数据展示极端市场环境对多因子策略的冲击以及多策略风险控制优势的体现；

• 风险提示详尽，警示模型失效与历史依赖风险；

- 总体评价报告结构清晰，数据详实，论据充分，既有理论深化，也有实践指引。

图表中的数据坚实地支撑了报告观点：例如图1与图2揭示因子权重与组合风险集中问题，主成分分析（图4-7）及聚类（表2）科学分类了因子收益来源，相关性热图（图8-11）揭示因子值与收益间复杂关系，多因子与多策略对比表（表5-7）展示策略在不同配置下表现差异，时间序列收益图（图14-17）及2024年细节（表8）体现策略动态调整及市场环境适应情况。

最终，报告体现了从多因子到多策略的投资策略进化路径，建议投资人在量化选股实践中依据因子间相关性与收益来源差异，合理配置策略权重，实现风险收益的最优平衡。

---

参考图片

• 封面提示页（免责声明）：

- 报告要点及分析师：

• 图1合成因子与合成收益：

- 图2因子权重与重合度：

• 图3单因子收益与分组超额收益对比：

- 图4、5主成分向量：

• 图6、7主成分收益：

- 图10、11因子收益与市值收益相关性：

• 图12、13因子添加效应：

- 图14、15多因子多策略时序表现：

• 图16、17 2024年多因子多策略收益：

---

【注】以上分析均严格依据报告内容，引用数据均标注对应页码，确保信息溯源的准确性及完整性，避免引入非报告内观点或外部数据。[page::0-21]

报告