将因子分散进行到底

霍金在《时间简史》的开篇讲了一个著名的段子：一位老太太在天文学讲座后站起来说，“年轻人，你说的都是废话。世界是驮在一只大乌龟背上的。”科学家笑着问，“那乌龟又站在什么上面呢？”老太太回答：“你很聪明，年轻人，但这是一只乌龟驮着一只乌龟，一直驮下去。”

Turtles all the way down.

这个典故之所以流传至今，不只是因为它荒诞，更因为它触及了一个深刻的认知结构——当你追问“支撑是什么”的时候，如果每一层的答案都是同一个原则，那这个原则本身就是最终答案。

最近读到STOXX团队和Andrew Ang合作发表的一篇论文，标题正是致敬这个典故：Diversification all the Way Down: Multifactor Investing within Factors, across Factors and across Time（将分散化进行到底：因子内、因子间和时间维度的多因子投资，2026年7月）。这篇论文的核心主张可以用一句话概括：分散化不是一个你做一次就可以打勾的动作，而是一个需要在每一层决策中反复贯彻的原则。

因子内部，用多信号合成来分散测量误差。因子之间，用低相关性来分散集中风险。时间维度上，用多模型取均值来分散择时失误。

乌龟下面还是乌龟，分散下面还是分散。

第一层：因子内部的分散

单一指标度量因子溢价，就像用一把尺子量一栋楼——工具本身的误差会主导结果。论文的第一层分散，是为每个因子配备多把尺子。

最有意思的设计是将价值因子拆成两个独立的“袖套”（sleeve）：周期价值和增强价值。

周期价值就是我们熟悉的老朋友——账面市值比、盈利收益率。这些指标刻画的是传统意义上的“便宜”。但传统价值投资者在2017到2020年之间经历了一次世纪级的回撤，让整个行业不得不重新审视：在无形资产主导的现代经济中，资产负债表上的“账面价值”到底还能不能代表一家公司的真实价值？

增强价值的三个指标正是为了回答这个问题：经济利润收益率（剔除资本成本后的真实盈利能力）、无形资产比率（将研发和广告支出资本化）、自由现金流收益率（验证“便宜”是否有真金白银支撑）。

这两套指标的相关性只有0.13。论文的回测数据非常直观：

数据来源：STOXX，美元总回报，2002年7月至2026年5月

在周期价值遭遇两次重大回撤（2007-2011、2017-2020）的时期，增强价值不仅没有跟着沉沦，反而提供了正贡献。这两个“价值”虽然都姓“Value”，但它们的行为模式截然不同。将它们拆开来各占六分之一的权重，比笼统地给“价值因子”三分之一的权重，要精细得多。

两种价值袖套的年度超额收益对比，2003-2026。数据来源：STOXX

动量因子同样被拓宽了。除了传统的中期价格动量之外，论文还加入了异质性动量（剥离系统风险后的残差动量）、做空比例、对冲基金持仓、分析师上调和经济利润动量。六个信号中，价格动量与复合动量的相关系数为0.695，而其他信号与复合动量的相关系数大多在0.3-0.5之间。复合动量组合对风险模型中“动量因子”的平均敞口为13.0%，而纯价格动量组合的敞口是20.1%——这意味着复合动量在获取类似信息比率的同时，降低了对系统性动量风险的依赖。

第二层：因子之间的分散

单因子产品仍然是因子投资市场的主流形态。但论文指出，持有四个低相关因子的组合，其信息比率高于任何一个单因子袖套——这才是多因子组合真正的价值所在。

数据来源：STOXX，2004年3月至2026年5月，1%跟踪误差约束

多因子组合的信息比率1.00，高于其最佳成分——增强价值的0.94。这不是魔法，这是低相关性带来的数学必然。四个因子超额收益的相关系数矩阵显示：动量与质量的相关系数仅为0.06，动量与增强价值为-0.05，质量与周期价值为-0.21。

更重要的是论文的“剔除一个因子”测试（leave-one-out test）。在全样本中，剔除周期价值反而让信息比率从1.00上升到1.05——看起来这个因子该扔掉。但换到最近三年（2023-2026），剔除质量因子后信息比率从1.92升到2.42，剔除动量则让信息比率从1.92暴跌到1.16。

是的，“最该被剔除的因子”这个身份本身在轮换。全样本中周期价值最弱，近三年中质量最弱。这恰恰是持有全部四个因子的理由——你永远不需要去猜“下一个掉队的是谁”。

各因子滚动36个月信息比率。数据来源：STOXX

这张滚动信息比率图说明了一切。多因子组合（顶部面板）在21年回测中仅有两个短暂窗口跌入负值区域（2018年11月至2019年5月，2020年11月至2021年6月），而每一个单因子袖套都经历过漫长的低谷。2020年只有质量保持正贡献，2024年以来动量和周期价值接力领跑，质量则陷入低迷。因子领导力的轮换是常态，而多因子组合不需要预判谁来领跑。

第三层：时间维度的分散

静态分散已经有效了，但如果因子溢价随经济状态变化——学术界对此已有大量证据——那么适度择时能否再加一层保险？

论文的答案是：可以，但必须用分散化的方式来做择时。

三个择时模型各自基于不同的信息集：

市场相似度模型：用技术指标构建“市场状态向量”，在历史中寻找最相似的时期，用核加权逻辑回归预测各因子未来三个月跑赢的概率。因子动量模型：计算各因子过去18个月的信息比率，追随近期表现最强的因子。因子之因子模型：追踪组合自身因子敞口的漂移方向，当某因子敞口持续上升时加仓。

每个模型的调整幅度被严格限制——最多将某因子的名义权重加倍或减半，绝不会将任何因子的权重降为零。最终的动态权重是三个模型的加权平均（市场相似度50%，另外两个各25%）。

数据来源：STOXX

坦率讲，全样本维度的改善几乎可以忽略不计。但近三年的提升从1.83到1.92是可见的——这得益于模型在2020-2024年超配了质量，又在2025年及时转向超配动量。更关键的是：21年维度上择时没有hurt performance，而近期确实有所帮助。这是一个“免费的期权”式的收益分布——最差情况是打平，好的情况有增量。

论文用了一个精妙的指标来描述这种约束下的集中度：有效因子数（名义权重向量的逆赫芬达尔指数）。静态权重的有效因子数为3.6，即便在最极端的配置下（三个模型同时对一个因子加倍、对另一个减半），有效因子数也不低于2.6。择时可以让组合倾斜，但永远不会让它集中。

这就是时间维度上的乌龟：不是用一个模型的单一判断来赌方向，而是用三个模型的均值来做有限倾斜。

不需要永远正确，只需要永远分散

回到开头的乌龟。

或许老太太的回答确实是错的，但她的认知结构暗含一个投资中的重要直觉：当你找不到“最终的支撑”时，让每一层都用同一个可靠的原则来支撑，就是最好的策略。

这篇论文的价值不在于它构建了一个信息比率1.00的策略——任何一个包含21年回测的论文都可以做到。它的价值在于提出了一个清晰的框架：分散化不是资产配置层面的一次性决定，它是一个在每个颗粒度上都需要贯彻的设计原则。因子内部多信号合成、因子之间低相关组合、时间维度上多模型取均值——同一件事，做三遍。

对于国内做因子投资或者SmartBeta产品选择的读者，这篇论文至少有三个启示：

第一，“价值”不是一个铁板一块的因子。将传统周期价值和增强价值（经济利润、无形资产、自由现金流）拆开来看、分开来配，可能比笼统地“买价值因子”更稳健。

第二，多因子的价值不在于“平均收益更高”（虽然确实如此），而在于“你永远不需要猜下一个弱势因子是谁”。这对于无法频繁调仓的普通投资者而言，是最核心的实用价值。

第三，择时可以做，但分散化地做。一个模型、一种信号、一种判断，都太单薄了。

分散化，一路到底。

扩展阅读

Renshaw, Anthony A., Yurong Gu, Matt Candar and Andrew Ang, Diversification all the Way Down: Multifactor Investing within Factors, across Factors and across Time (July 2026). Available at SSRN: 网页链接

Ang, Andrew. 2023. "Trends and Cycles of Style Factors in the 20th and 21st Centuries." Journal of Portfolio Management 49(2): pp. 33–56.

Eisfeldt, Andrea L., Edward Kim and Dimitris Papanikolaou. 2022. "Intangible Value." Critical Finance Review 11(2): pp. 299–332.

Ehsani, Sina and Juhani Linnainmaa. 2022. "Factor Momentum and the Momentum Factor." Journal of Finance 77(3): pp. 1877–1919.

Asness, Clifford. 2016. "The Siren Song of Factor Timing." Journal of Portfolio Management 42(5): pp. 1–6.

雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>