近年来，随着A股市场的定价体系不断成熟，ROE等量化因子在实盘中表现较好，成为量化投资中备受关注的因素之一。那么，量化因子到底是什么？在量化策略中又是如何发挥作用的呢？
筛选出稳定有效的量化因子是量化投资策略的第一步，而要想获得量化因子，首先要确定投资组合超额收益的来源。
超额收益的来源之一：从价值投资的逻辑出发选股
秉承价值投资的理念，选择具有安全边际、基本面质地较好、具有明显竞争优势的股票，在财务因子上，偏好高ROE标的，关注公司的净利润增速、现金流与净利润的匹配度。整体的选股逻辑是，去发掘有护城河、盈利能力强、成长性较好的上市公司，同时考虑市场预期和估值，选择具有较好安全边际、较高性价比的一揽子股票。
超额收益的来源之二：捕捉市场的交易性机会
除了专注于自己的投资策略，还要关注市场上其他投资者的动向，捕捉交易性的投资机会。比如，要想获得超额收益，可与市场的“噪声交易者”进行反向操作。当“噪声交易者”较多买入的时候，倾向于卖出，当“噪声交易者”卖出的时候，倾向于加仓。相反地，选择与“聪明钱”、“大单”保持相对一致的步调，比如跟随“北上资金”的操作方向。
超额收益的来源之三：拥抱机器学习挖掘因子，以量取质
运用机器学习也可挖掘具有预测能力的因子。对不同因子赋权，将多个因子合成一个具有较强有效性的因子模型。这种通过海量数据捕获的因子，看起来似乎逻辑可解释性不强，但却常常能“以量取质”，选出优质的股票。
用因子刻画超额收益 构建投资组合模型
在具备了以上三种超额收益来源之后，运用海量的财务、高频、事件数据，把影响超额收益的逻辑刻画出来，形成一个个指标，这些指标就是所谓的“量化因子”。接下来，要把因子进行分类。如果一个因子的长期超额收益较稳定、波动率小，则称之为“阿尔法因子”，反之，若稳健性较弱，则称为“风险因子”，常见的风险因子如市值、风格、大小盘、行业等。在构建投资组合时，将组合充分暴露在α因子上，规避风险因子的影响，可让超额收益更加平稳。
有了α因子之后，采用线性或非线性的方法将因子进行合成。将因子的得分输入模型，基于历史数据训练出最优的权重，输出汇总得分。随后，将模型得分、风险暴露情况等约束条件输入“优化器”便可得到定期的实盘投资组合。目前市场上已经有成熟的商业软件可以实现这一系列标准化的操作，包括 Axioma的优化器和Barra的风险模型。
流程优化 业绩归因 提高策略的有效性
在实盘操作中，组合调整过程、交易性因素也会影响模型收益率的实现，比如管理人会尝试不同的调仓频率，结合调仓比例，最终确定可达到最佳绩效的调仓频率。同时，通过业绩归因，观察实盘与模型的差距情况，识别波动和收益的来源，有的放矢，进一步提高策略的有效性。
风险提示：基金有风险 投资需谨慎
