本文内容不仅仅适用于基本面量化投资，而是适用于所有的因子量化投资策略，故将题目命名为【(基本面)量化投资41】。
本文是简化版、普及版的多因子量化投资教程，专业的多因子量化投资方法更为复杂，但本文内容已经能满足大部分人的投资需要了。
回到题目内容：如何构建多因子选股模型？
第一步，选取有效的选股因子。
常用的一种方法是对因子做分组回测对比。
假设因子的数值越大越好，则首先对因子从大到小排序，然后依因子大小将股票分为10组（或5组），比较各个分组组合的收益率分布状况。
如果各个分组的收益率具有严格的（递增或递减）单调性，且第一分位收益率相比样本股票池平均收益率具有明显的超额收益，则说明回测的因子是有效的选股因子。
金融资产的收益一般分成两部分：和市场一起波动的部分叫贝塔收益，不和市场一起波动的部分叫做阿尔法收益。即：资产收益=阿尔法收益+贝塔收益。相应的，可以将因子分为Alpha因子（α）和beta因子（β）。
如果某个因子第一分位的收益率很高，那么该因子就一定是优秀的选股因子吗？不一定。因为，这种高收益率有可能是回测时段市场/大盘暴涨带来的。因此，比较因子组合收益率相对市场（或基准指数）的超额收益部分，才更加科学。
第二步，计算因子之间的相关性系数
因子之间可能存在相关性关系。相关性系数较高的多因子合成，并不一定能增加超额收益，甚至可能会产生多线共振，增加风险、降低收益。不相关、低相关的多因子合成，往往会增加多因子模型的超额收益，并提高多因子模型盈利的稳定性。
有时，凭常识可以推测某些因子之间相关性的高低。
第三步，将因子合成为多因子模型
将因子合成为多因子模型，有两种方法。
第一种方法是赋权加总。
具体做法是：将各个选股因子分别排序、打分，并赋权相加，得到综合得分。
例如：
毛利率越高越好。将毛利率自高到低排序，第1名的得分为1分，第2名的得分为2分，以此类推。市净率越低越好。将市净率自低到高排序，第1名的得分为1分，第2名的得分为2分，以此类推。
将以上毛利率、市净率的得分赋权相加（假设等权重相加），对综合得分再进行自低到高的排序，便构建了一个毛利率与市净率多因子模型。
第二种方法是双重排序筛选。
具体做法是：使用第一个因子（如毛利率）对股票进行初次筛选；然后使用第二个因子（如市净率）进行再次筛选。有点类似企业招聘，初试筛选掉一批人，复试再筛选掉一批人。
第一种方法赋权加总，一般需要在excel中进行处理，计算量大，对有些人存在难度。第二种方法双重排序，更为简单易操作，而且收益率甚至还更高，更适合大部分投资者。不过，当使用3个以上因子合成时，一般采用第一种方法。
从下周起，我将结合《基本面量化投资策略》一书内容，发布多个多因子选股策略/选股模型，含通达信版、同花顺版。
往期精彩内容推荐：
