欢迎来到资产估值：因子模型！

你好！欢迎来到你 CM2 学习旅程中最实用的章节之一。到目前为止，你已经了解了单一资产的表现。但你是否曾好奇为什么某些股票群体似乎会同步波动？或者为什么在经济衰退期间，某些股票跌得比其他股票更惨？因子模型 (Factor models) 正是精算师和投资经理用来回答这些问题的工具。我们不再孤立地看待每一只股票，而是着眼于驱动它们回报的“力量”（即因子）。如果一开始看见数学公式感到有些头晕，别担心——我们会把它拆解开来，一点一点地攻克！

1. 核心概念：为什么要使用因子模型？

在理想的情况下，我们能精确知道股票价格变动的原因。但在现实中，这是广泛经济趋势与公司特定新闻共同作用的结果。因子模型能帮助我们将这些因素分开。它们假设任何资产的回报都对一个或多个共同因子 (common factors) 敏感，外加一点随机噪声 (random noise)。

比喻： 想象海面上的一艘船。船的移动取决于潮汐（影响所有船只的因子）、风向（另一个因子），以及引擎是否正常运作（公司特定因素）。因子模型能帮助我们衡量潮汐和风向的重要性，并与引擎的影响力进行对比。

快速复习：关键术语
系统性风险 (Systematic Risk)： 影响整个市场的风险（例如：利率变动）。这类风险无法通过分散投资来规避。
特定风险/非系统性风险 (Specific/Idiosyncratic Risk)： 仅属于单一公司的风险（例如：工厂失火）。这类风险可以通过持有许多不同的股票来消除。

2. 单一指数模型 (市场模型)

建模回报最简单的方法是假设只有一个因素至关重要：整体市场。这通常被称为市场模型 (Market Model)。

公式

对于特定资产 \( i \)，其回报 \( R_i \) 可表示为：
\( R_i = \alpha_i + \beta_i R_m + \epsilon_i \)

让我们拆解一下：
1. \( R_i \)：资产 \( i \) 的回报。
2. \( \alpha_i \) (Alpha)：截距项。即市场回报为零时，我们预期的回报。
3. \( \beta_i \) (Beta)：敏感度。它告诉我们每当市场回报 \( R_m \) 变动 1% 时，该资产的回报会变动多少。
4. \( R_m \)：市场指数的回报（例如富时 100 指数）。
5. \( \epsilon_i \) (Epsilon)：误差项或“噪声”。这代表了资产 \( i \) 独有的特定风险。

关键假设

为了使该模型在数学上成立，我们假设：
- 两只不同股票的误差项不相关：\( Cov(\epsilon_i, \epsilon_j) = 0 \)。
- 误差项与市场回报不相关：\( Cov(R_m, \epsilon_i) = 0 \)。
- 误差项的平均值（期望值）为零：\( E[\epsilon_i] = 0 \)。

记忆小撇步： 把 Beta 想象成一个“音量旋钮”。如果 Beta 是 1.5，当市场将音量调大 1 格时，你的股票就会调大 1.5 格！

关键总结

单一指数模型通过以下观点简化了现实世界：“我只关心这只股票相对于大盘是如何波动的。”

3. 多因子模型

有时候，单一因子是不够的。即使“市场”保持不变，科技股对利率变动的反应也可能与杂货店截然不同。这正是多因子模型 (Multifactor Models) 发挥作用的地方。

通用公式

我们不再只有一个 \( \beta R_m \)，而是拥有多个因子：
\( R_i = \alpha_i + \beta_{i,1}F_1 + \beta_{i,2}F_2 + ... + \beta_{i,k}F_k + \epsilon_i \)

其中：
- \( F_1, F_2, ... \) 是不同的因子。
- \( \beta_{i,1}, \beta_{i,2}, ... \) 是因子载荷 (factor loadings)（即股票对每个特定因子的敏感度）。

多因子模型的类型

IFoA 课程根据因子的性质，区分了三种主要模型：

1. 宏观经济模型 (Macroeconomic Models)
这些模型使用可观察的经济数据。常见因子包括：
- 通胀率。
- GDP 增长率。
- 利率变动。
范例： 航空股对“油价”这一因子可能具有很高的敏感度 (Beta)。

2. 基本面模型 (Fundamental Models)
这些模型使用公司自身的特性。常见因子包括：
- 规模 (Size)： 小公司的表现往往与巨头公司不同。
- 价值 (Value)： 比较股价与公司的实际账面价值（如市盈率 P/E ratios）。
- 行业 (Industry)： 它是科技公司还是银行？

3. 统计模型 (Statistical Models)
这些是“神秘盒子”。我们使用复杂的数学（如主成分分析，PCA）从历史数据中找出模式。我们未必会给因子命名为“通胀”，但我们知道“因子 A”解释了 40% 的波动。

你知道吗？ 法马-法兰西三因子模型 (Fama-French Three-Factor Model) 是一个著名的基本面模型，它利用市场风险、规模和价值来解释回报。它是超越单一指数方法的经典范例！

关键总结

多因子模型通过同时观察多个回报驱动因素，为资产的风险提供了一份更详尽的“指纹”。

4. 因子模型中的分散投资

这些模型最重要的用途之一是理解分散投资 (diversification)。让我们利用因子模型来看看投资组合回报的变异数（风险）。

股票的总变异数可分为两部分：
总变异数 = 系统性变异数 + 特定变异数

在单一指数模型中，这看起来像这样：
\( Var(R_i) = \beta_i^2 Var(R_m) + Var(\epsilon_i) \)

为什么这很重要？
当你在投资组合中加入越来越多股票时：
1. 特定变异数（即 \( \epsilon \) 部分）会变得越来越小，平均趋近于零。
2. 系统性变异数（即 \( \beta \) 部分）不会消失。无论你买多少只股票，如果整个市场崩盘，你的投资组合很可能也会受到影响。

常见错误： 学生常误以为分散投资能消除所有风险。请记住：分散投资只能消除特定风险 (Specific Risk, \( \epsilon \))，它无法触及市场风险 (Market Risk)。

5. 分步解析：计算预期回报

如果在考试中遇到因子模型，以下是求预期回报 \( E[R_i] \) 的方法：

步骤 1： 识别常数。题目通常会给出 \( \alpha_i \) 和 \( \beta \) 值。
步骤 2： 找出因子的预期值，即 \( E[F_1], E[F_2] \)，等等。
步骤 3： 记住 \( E[\epsilon_i] = 0 \)。噪声在平均之后会相互抵消！
步骤 4： 代入公式：
\( E[R_i] = \alpha_i + \beta_{i,1}E[F_1] + \beta_{i,2}E[F_2] \)

范例： 如果 \( \alpha = 2\% \)，\( \beta = 1.2 \)，且市场预期回报为 \( 10\% \)：
\( E[R] = 2\% + 1.2(10\%) = 14\% \)。

6. 总结与最后小撇步

总结清单：
- [ ] 单一指数模型： 单一因子（通常是市场）。回报遵循 \( \alpha + \beta R_m + \epsilon \)。
- [ ] 多因子模型： 多个因子（宏观经济、基本面或统计学因子）。
- [ ] Beta： 衡量对因子的敏感度。
- [ ] Alpha： 无法被因子解释的回报。
- [ ] 分散投资： 消除特定风险 (\( \epsilon \))，但无法消除系统性风险 (\( \beta \))。

鼓励的话： 本章是连接简单统计学与现实金融世界的桥梁。一旦你掌握了“回报 = 基础回报 + (敏感度 \(\times\) 力量) + 噪声”这个概念，公式就会变得自然许多。请多练习变异数的拆解——这可是出题者的最爱！你一定行的！