常用七大类因子
低波动率因子 Low Volatility
市值因子 Size
价值因子 Value
盈利水平因子 Profitability
质量因子 Quality
成长因子 Growth
动量因子 Momentum
分红比例因子 Dividend Payout

1992年，Fama和French提出了著名的三因子投资模型。
在CAPM的基础上，引入了市值敏感度因子和价值敏感度因子。
股票的回报率由三个因素决定：
1 相对市场组合的回报变动越敏感的股票，其回报率越高；
2 市值越小的公司，其回报率越高；
3 具有越高的账面价值/市值比的公司，其回报率越高。

1972年，Haugen和Heins两位博士发表了名为“On the Evidence Supporting the Existence of Risk Premiums in the Capital Market”的文章。
文章提出了一个新的因子：低波动率（Low Volatility）。
他们发现，持有一篮子波动率低的股票所获得的的回报比持有一篮子波动率高的股票所获得的回报要高。
从长期来看，每个月持有价格变动/方差较小的投资组合所获得的平均回报高于持有方差较大的投资组合。
这个现象被称为低波动率异象（Low Volatility Anomaly）

预期回报 = 无风险回报 + 贝塔 * 市场风险溢价
Expected return = Risk-free return + Beta * (Market return - Risk-free return)

上班最大的意义不是那点工资，而是工作能让你有规律的生活，
有见人的机会，有稳定的社交圈子，还有来自客户同事或多或少的压力。
一来可以锻炼心智，二来能促进你不断前进，不至于生活越来越堕落。

常用因子
规模因子   小盘股长期收益更好。
价值因子   价格便宜的股票长期收益更高。
低波动因子 波动程度比较小的股票回报更高。
红利因子   高分红的股票长期表现更好。
质量因子   质地好的公司长期回报会更好。
动量因子   过去一段时间股价表现好的股票，接下来表现会更好。

传统的资产定价理论认为，风险高的资产应有更高的收益补偿，
风险低的资产应有更低的收益补偿，即“高风险、高收益，低风险、低收益”。
衡量股票风险的常用指标是贝塔值（beta或β）。
然而，《因子投资：方法与实践》一书，以及众多的量化研究实证数据表明，
高贝塔股票并不能带来高收益，反而是低贝塔股票能够带来高收益。
这种与传统认知相悖的投资现象，被称为“低贝塔异象”。

当越来越多的资金涌入因子投资时，就会造成因子拥挤。
使用相似的指标排序、接近的调仓频率的因子投资，加剧了这种负面影响。
任何投资策略想要持续赚钱，都是利用了市场在某方面的非有效性。
当使用的人越来越多，市场在这方面就会变得更有效，从而降低了该因子的预期收益率。

一般而言，短周期参数和长周期参数，各有各的优劣。
较短周期的趋势跟踪，能更加灵敏地捕捉到最新信息，信号产生较为频繁和快速，
但更容易受到短期噪音的影响，更高的换手率也会招致更多的交易费用；
较长周期的趋势跟踪，擅长捕捉较大的行情，但信号反应会比较迟钝

双均线模型MACROSS是过去价格的加权平均，
时间序列动量TSMOM是过去价格变化或收益率的加权平均，
通过数学变换可以将两者联系起来，实现相互转换。
事实上，很多其他的趋势跟踪规则，包括 HP Filter、Kalman Filter 和 OLS 趋势线等，
本质上都可以转化为TSMOM或MACROSS，即趋势跟踪规则虽然计算方法千奇百怪，但是内核几乎没啥差别。
由于许多趋势跟踪规则是相似的，与其花费大量精力在趋势跟踪规则的定义上，
还不如多琢磨琢磨如何减少成本、周期选择、组合构建、风险管理和挖掘其它因子