推荐书籍
投资因子《预期收益：投资者指南》
系统梳理了价值、动量、carry、防御性四大因子溢价来源。核心观点：因子收益来自风险补偿和行为偏差，理解"为什么有效"比"是否有效"更重要。
《量化投资：策略与技术》
覆盖多因子选股、统计套利、CTA 等主流策略类型，结合 A 股实战案例。适合从零建立量化框架认知。
《因子投资：方法与实践》
国内最系统的因子投资专著。从因子检验方法（分组排序、Fama-MacBeth 回归）到多因子组合构建，理论严谨且配有实证代码。
《Active Portfolio Management》
提出信息比率 = IC × √BR 的基本法则。从预测到组合优化的完整理论框架，理解 alpha 来源的必读之作。
公众号推荐
量化藏经阁
首选
量化投资领域最全面的知识分享平台，覆盖因子研究、策略回测、风控体系
Ricequant
米筐科技官方号，量化平台教程 + 行业研报解读
聚宽研究
JoinQuant 研究社区，策略代码分享 + 因子研究
石川的因子研究
《因子投资》作者，深度因子方法论
量化投资与机器学习
学术前沿 + 工业实践交叉内容
学习笔记
因子投资核心框架
因子 = 能够解释截面收益率差异的变量。因子收益来源：风险补偿（承担系统性风险获得溢价）+ 行为偏差（投资者非理性定价）+ 结构性摩擦（交易成本、制度约束）。
因子检验三步法：① 分组排序（单变量）→ ② Fama-MacBeth 回归（控制变量）→ ③ 因子组合实盘检验
因子 = 能够解释截面收益率差异的变量。因子收益来源：风险补偿（承担系统性风险获得溢价）+ 行为偏差（投资者非理性定价）+ 结构性摩擦（交易成本、制度约束）。
因子检验三步法：① 分组排序（单变量）→ ② Fama-MacBeth 回归（控制变量）→ ③ 因子组合实盘检验
多因子模型构建流程
① 因子挖掘：从价量、财务、另类数据中寻找 alpha 信号
② 因子处理：去极值 → 标准化 → 中性化 → 正交化
③ 因子合成：等权 / IC 加权 / 最优化加权
④ 组合构建：风险模型约束 + 换手率控制
⑤ 归因分析：Brinson / 多因子归因拆解收益来源
① 因子挖掘：从价量、财务、另类数据中寻找 alpha 信号
② 因子处理：去极值 → 标准化 → 中性化 → 正交化
③ 因子合成：等权 / IC 加权 / 最优化加权
④ 组合构建：风险模型约束 + 换手率控制
⑤ 归因分析：Brinson / 多因子归因拆解收益来源
A 股因子时效性笔记
长期有效：价值（BP）、小市值（但需注意微盘股流动性）、低换手
近年增强：反转（短期）、一致性预期调整、分析师覆盖度
衰减/失效：传统动量（A 股特征与美股不同）、部分财务质量因子
长期有效：价值（BP）、小市值（但需注意微盘股流动性）、低换手
近年增强：反转（短期）、一致性预期调整、分析师覆盖度
衰减/失效：传统动量（A 股特征与美股不同）、部分财务质量因子
学习路线
第一阶段 · 基础认知
阅读《量化投资：策略与技术》前半部分
建立多因子、统计套利、CTA 的基本认知框架
学习 Python + pandas 数据处理
掌握因子计算、回测所需的数据操作能力
第二阶段 · 因子深入
精读《因子投资：方法与实践》
掌握因子检验、合成、组合构建的完整方法论
动手复现经典因子研究论文
用 A 股数据复现 Fama-French、Carhart 等模型
第三阶段 · 策略实战
在聚宽 / 米筐平台搭建完整回测系统
从因子计算到组合构建再到归因分析的全流程
阅读《预期收益》深化理论理解
理解因子溢价背后的经济学解释
第四阶段 · 进阶拓展
机器学习 + 因子研究结合
XGBoost / 神经网络在因子挖掘和非线性因子合成中的应用
另类数据因子开发
NLP 舆情、卫星数据、供应链图谱等新型 alpha 来源