量化投资风险溢价因子投资个人量化

量化共识全景复盘：Alpha 从哪里来，个人往哪里去

AQR、DFA、桥水的底层逻辑，与个人投资者的地形战

Posted by yougth on September 7, 2026 · 阅读约 24 分钟

过去一段时间，我把 AQR、Dimensional（DFA）、桥水这三家风格迥异的量化巨头的公开材料通读了一遍，顺藤摸瓜翻完了因子投资的几篇经典论文，又对照了国内量化行业的最新数据，想回答一个困惑我很久的问题：为什么所有活得久的量化机构，都相信 alpha 的持续性来自可解释的经济学逻辑和风险溢价，而不是更聪明的模型？ 这篇是总决算：先拆清楚 Beta、风险溢价、Alpha 的三层结构，再用人话翻译业界八条核心共识，最后回答一个更切身的问题——资金有限的个人做量化，到底有没有活路，活路在哪。

一、三层收益结构：你赚的到底是什么钱

业界把”超额收益”拆成三层，越往上越稀缺，也越短命：

层级	本质	代表	容量	持续性
Beta	承担市场风险的系统性补偿	股票风险溢价、期限溢价	极大	几乎永久
风险溢价	承担某种可解释的”非市场痛苦”	价值、动量、质量、低波动、Carry	大	长期存在，但有数年级回撤
纯 Alpha	纯粹的信息优势或定价低效	统计套利、高频做市、另类数据	小	半衰期几个月到几年

关键在于：风险溢价为什么”应该”存在？ 因为每一笔溢价背后，都对应着一种真实的、大多数人不愿意承受的痛苦：

价值：买被冷落的公司，忍受”别人都说它完了”的煎熬——补偿的是困境风险和孤独感；
动量：信息扩散缓慢、投资者锚定旧价格——赚的是反应不足的钱；
质量：市场偏爱有故事的高贝塔公司，冷落”无聊但赚钱”的公司——补偿的是无聊；
低波动：基金经理不敢加杠杆，只能被激励去买高贝塔——补偿的是杠杆约束；
Carry：平时捡硬币，危机时被卡车碾过——补偿的是尾部风险。

痛苦没有经济学解释，就没有溢价；没有溢价的超额收益，大概率是数据挖掘。 这是整套量化大厦的地基。

三家机构把这个逻辑做成了三种形态：DFA 把 Fama-French 因子做成纪律化的指数化执行，规模数千亿美元；AQR 用杠杆把多个低相关风险溢价叠加起来卖；桥水的 All Weather 和 Pure Alpha 用可解释的经济结构（增长×通胀四象限）替代预测。形态各异，底下垫着的是同一套数学。

两笔底层数学：√N 与风险平价

第一笔，Sharpe 的算术。 把 N 个相关性接近零、各自 Sharpe 约 1 的策略叠加，组合 Sharpe 约等于 √N——1 个是 1，4 个是 2，9 个是 3。这是所有多策略平台的底层数学：Millennium 的三百多个投资团队、AQR 的跨资产多因子、WorldQuant 的百万级弱信号工厂，赚钱结构都是”单个平庸、组合惊人”。它还顺带回答了一个反直觉的问题：第十个与现有组合相关性 0.9 的优秀策略一文不值，一个相关性为零的平庸策略才是真金——低相关比高 Sharpe 更稀缺。 但这笔算术有个致命前提：相关性必须持续接近零，而危机来临时所有相关性会一起奔向 1（见第五节第 3 条）。分散化不是免费的保险，是平时持续付费、危机时未必赔付的保险。

第二笔，风险平价。 传统 60/40 组合按”钱”分配，名义均衡，实际上股票贡献了九成以上的波动，债券那 40% 更像心理安慰。风险平价按”风险”分配：给低波动的债券加杠杆，让每类资产的风险贡献相等，再把整体风险调到目标水平。桥水 1996 年的 All Weather 是开山之作，其后数十年的行业验证反复指向同一结论：同等风险预算下，”杠杆化的均衡风险”优于”满仓单一高风险资产”——本质是拿到了一条更陡的有效前沿，代价是必须借得起便宜的钱、扛得住杠杆资产偶发的流动性冲击。

这套数学撑起了一门万亿美元的生意：据 HedgeCo.Net 统计，D.E. Shaw、AQR、Qube 等量化基金 2025 年整体收益 +10.5%；第三方研究测算全球量化基金市场 2025 年规模约 1.32 万亿美元，预计 2034 年达 2.89 万亿（年化增速约 9.1%）。在”几乎免费的 beta”和”买不到的纯 alpha”之间，用数学和杠杆把风险溢价做成工业品，正在成为增长最快的第三条赛道——这也是本文余下全部讨论的舞台。

二、经济学解释 vs 数据挖掘：不是选边站，是流程问题

一个常见误解是”有解释的因子才碰，数据挖出来的都别碰”。实际流程是贝叶斯式的：

经济学假设（缩小搜索空间）→ 统计检验（样本外/子样本/跨市场）→ 容量与拥挤度评估 → 小仓位实盘 → 解释可以晚到，但必须能被解释。

为什么统计检验环节如此苛刻？抛一百枚硬币各十次，总有一枚连出十个正面——不是它天赋异禀，是你是从一百枚里挑出来的。McLean 和 Pontiff 统计过 97 个已发表的因子：样本外平均衰减 26%，论文发表后平均再衰减 58%——苍蝇馆子被探店博主发出去的那一刻，就是它开始变难吃的时刻，不是菜变了，是全城人都知道了。Harvey 等人据此建议把新因子的显著性门槛（t 值）从传统的 2.0 提高到 3.0。

反方向也有反例：动量就是先有统计、后有解释的——1993 年 Jegadeesh 和 Titman 发现它时只有数据，锚定效应、处置效应这些行为金融学解释是后来补上的。所以真正的判别标准不是”谁先谁后”，而是三条：

跨市场、跨资产、跨年代还成立吗？（价值、动量在二十多个国家、两百年的资产类别上都成立，是真溢价；只在某三年某一个板块成立，是风格行情）
对面是谁在亏钱、为什么没人套利掉？（答得出经济结构，才算有地基；答不出，大概率是噪声）
回撤时你敢加仓吗？（不敢，说明你其实没理解它，拿不住，溢价归零）

唯一的”纯数据挖掘长存”的例外是文艺复兴的 Medallion：年化约 66%（毛），但它凑齐了五个个人永远凑不齐的条件——高频结算（风险暴露极短）、海量弱信号组合、严格组合数学、容量锁死约百亿美元、永不发表。例外恰好证明规则。

所以 2026 年业界的主流姿势是”机器学习增强，而非替代”：ML 上岗的岗位有三个——因子权重优化、交易执行算法、另类数据处理；而”买什么、为什么买”的核心收益逻辑，依然由可解释的经济故事掌舵。一个粗暴但好记的分工是：ML 负责把已知的钱赚得更高效，经济学负责回答未知的钱在哪。 例外在高频与日内频段——那里的样本密度和反馈速度撑得起端到端黑箱，国内头部量价模型的深度学习化正是发生在那个频段，这恰好印证了边界：模型复杂度的预算，由样本量和验货成本决定。

三、五因子模型通俗版：一张表讲清楚

Fama-French 五因子用做生意的话讲一遍：

因子	一句话人话	为什么”应该”有补偿
市场（MKT）	做股东比做债主赚得多，但经济差时你最后一个拿钱	承担经济周期波动
规模（SMB）	小本生意死得快：产品单一、融资难、流动性差，期望回报要更高	小公司的脆弱性补偿
价值（HML）	买被冷落、处于困境的公司，忍受”别人都说它完了”	困境风险 + 行为上的过度外推
盈利（RMW）	买印钞机：高盈利公司未来分给你的现金就是多	市场对盈利能力的系统性定价修正
投资（CMA）	乱花钱的公司回报差：激进扩张是帝国建造，保守投资是纪律	过度投资的代理成本

一个诚实的注脚：RMW 严格说不算经典”风险补偿”——高盈利公司风险并不更高却收益更高，学术界至今在吵它到底是风险还是定价错误（Hou-Xue-Zhang 的 q 因子模型给了另一套解释）。但对实操者无所谓：无论哪种解释，它跨市场稳健、有经济故事、容量大。

另一个必须知道的事实：A 股的因子版图和美股不同。Liu-Stambaugh-Yuan 的中国三因子研究结论：EP 口径的价值有效、小盘溢价强但被壳价值污染、动量弱而反转强。五因子不能照搬，要中化。

四、为什么国内指增是绝对主流，而不是学国外

指标	数据（第三方监测口径）
行业管理规模	2026 年一季度突破 1.8 万亿元
百亿私募数量	139 家（2026 年 5 月，持续扩容）
2025 年指增平均收益	45.08%，近九成产品跑赢基准
2026 年前四月平均超额	约 4%（高基数 + 拥挤 + 监管收紧）

指增成为绝对主流，是四层力量叠加的结果：

供给端（最根本）：A 股散户交易占比高，定价低效严重，股票 alpha 又大又肥。既然如此，为什么要对冲掉 beta？全额吃 beta + 赚 alpha 是这个市场里最好的生意。
工具箱残缺：国外的玩法在 A 股做不了——多空因子需要个股做空（融券近乎不可用），风险平价需要杠杆放大债券（受限），系统化宏观需要全球衍生品通道（多数机构都没有），市场中性每年白亏股指期货贴水 2-5%。
需求端：中国投资者要”看得见的锚”——”沪深300 + 15%”一句话就讲清楚，牛市里 beta、alpha 双吃，好卖。
监管：程序化交易新规、转融券暂停、DMA 压降，把行业进一步推向指增这个工具依赖最少的形态。

有个反直觉的事实：国外也在做”指增”，只是名字不同。DFA、BlackRock Systematic 的 long-only 因子基金本质就是加强版指增（systematic active equity），只是超额只有 1-3%，A 股指增超额 8-20%。形态是同一个，差距在于可收割的 alpha 总量——这也预示了国内指增超额的长期方向：向国际水平收敛。

五、八条机构共识的大白话版

1. 回测过拟合是第一大杀手

你试了五十个组合挑出的”最好策略”，真实水平必然低于回测显示——挑出来的那一刻，运气就计入了成绩单。防它的唯一办法是滚动样本外验证和先验约束，别信任何单次回测。

2. 择时：安全带不等于天气预报

预测”明年是价值年还是成长年”，Asness 的论文标题就是原话——因子择时出奇地难。但”市场发疯时少下注”有真实证据（波动管理组合能提升 Sharpe）。安全带不预测车祸，只在车祸发生时救你。 择时用来控风险可以，用来放大收益就是数据挖掘。

3. 危机时，所有资产变成同一个资产

平时十条路互不堵，感觉”分散真好”；台风天十条路一起瘫。2007 年 8 月 Quant Quake、2024 年 2 月微盘踩踏，都是”分散”在最需要它的那天集体失效。真正的尾部保护只能来自凸性（现金、期权、低杠杆），不能来自历史低相关。

4. 量化的头号死因：对了，但没活到对的那天

LTCM 赌的价差最后真的收敛了——在它爆仓之后。25 倍杠杆之下，只需要市场再”不讲理”几个星期。凯恩斯那句祖师爷级的话：市场保持非理性的时间，可以长过你保持不破产的时间。 死于”对了但没拿住”的量化资金，远多于死于”错了”的。

5. 输赢一半由信号决定，另一半由下注大小决定

斗地主拿到双王四个二照样能输——如果一把梭。Ed Thorp 一辈子真正的武器不是算牌，是 Kelly 公式：赢面大下重注，赢面小下小注，永远不押到”错一次就出局”。仓位规则不是风控的补充，是收益的一半。

6. Millennium 赚的是赌场规则的钱，不是预测的钱

三百多个基金经理，谁回撤到 5% 就砍谁的资金——赌场从不预测下一把谁赢，只规定每把的下注上限，然后让大数定律替它赚钱。平台赚的是风控纪律的钱。个人版本：给自己的策略也写一套”牌桌规则”（单票上限、行业偏离上限、回撤阈值），像 Millennium 考核外部经理一样考核自己。

7. 规模悖论：越好吃的馆子容量越小

Medallion 年化约 66%（毛），容量锁死、只对内部开放、抽成 44%——一家永不扩店的苍蝇馆子。能管大钱的策略必然被商品化，费率打到底（smart beta 的宿命）。推论：个人的”小”不是缺陷，是准入证——你永远坐在机构嫌小懒得来的馆子里。

8. 风险溢价是市场付给”愿意难受的人”的工资

AQR 的价值因子 2018-2020 连亏三年，管理规模从约 1860 亿美元掉到约 1300 亿——客户在溢价最便宜的时候被迫赎回。模型没错，是商业模式不允许它拿住。健身房年卡的道理：溢价属于办了卡还坚持去的人。 机构结构性地拿不住（季度考核），个人可以——这是个人唯一无法被复制的结构性优势。

六、个人 vs 机构：不是拳击赛，是地形战

先把机构的压倒性优势摆出来，别假装看不见：另类数据（卫星图、电商流水、信用卡数据）、顶级人才密度、FPGA 和微波线路级的硬件、做市商级别的盘口信息、能吸收任何单次错误的机构化风控。在这些战场正面刚，个人是零。

个人的真实优势只有一个战场，但那张牌桌上机构确实来不了：

个人优势	机构的对应劣势	换来的溢价
资金期限无限，没人能赎回你	溢价最便宜时被客户赎回潮逼着砍仓	长回撤的”难受税”不用交
没有基准考核和职业风险	偏离基准一年就可能失业	可以做”正确但难受”的事
资金小，进机构容量红线内的利基	百亿规模买小盘有冲击成本	小容量超额不会被套利掉
一个人走完决策链路	投委会、合规、风控层层传导	逆向时刻执行不打折

还有一笔必须算的账：个人想直接”买”机构的 alpha，要先过两道数学关。最好的纯 alpha 根本买不到——Medallion 2005 年起只对内部开放；买得到的产品先扣费率——假设某中性产品做出 8% 年化超额，按 2% 管理费 + 20% 业绩分成，到手约 4.4%，还要承担自己赎回时点选错的行为损耗。而 beta 几乎免费（宽基 ETF 管理费 0.15%-0.5%）。个人在三层结构里的最优解，从来不是买 alpha，而是自己动手收割风险溢价。

所以准确的说法不是”个人比机构更有优势”，而是——

个人不是更强的玩家，是更挑得起战场的玩家。航母在开阔大洋碾压一切，但航母进不了河道和浅滩。快艇的活路从来不是更快，是只去航母去不了的地方。

七、个人做量化，有成功的吗？

先泼冷水。追踪个人交易者长期结果的两大研究结论残酷且一致：台湾 1992-2006 全市场日内交易者研究（Barber 等）发现，扣费后能稳定赚到异常收益的人不到 1%；巴西股指期货研究发现，坚持超过 300 天的日内交易者 97% 亏损，只有 1.1% 的人赚得比最低工资多。但注意口径：死的是”无系统的高频手动交易”——高频对抗机构、无纪律、无仓位管理。系统化、低频、有仓位规则的个人量化，不在这个统计里。

有据可查的成功者，按含金量排序：

人物	起点	成绩	靠什么
Ed Thorp	数学教授	Princeton-Newport 19 年年化 19.1%（费前），230 个月里只有约 3 个月亏损；28.5 年职业生涯年化约 20%	只进有数学边际的局，Kelly 仓位，边际拥挤就换赛道
Ed Seykota	工程师	$5,000 十二年滚到 $15,000,000，全程一人一机	机械化趋势跟踪 + 极简纪律
海龟实验学员	招募的普通人	四年为 Richard Dennis 赚逾 1.5 亿美元	一套规则 + 严格执行
梁文锋	2008 年 8 万元自有资金	幻方量化（2025 年收益 56.6%），后孵化出 DeepSeek	个人阶段的全自动机器学习，吃满 A 股量化荒地窗口
Ken Griffin	哈佛宿舍	Citadel 创始人	可转债套利起步（个人起点，机构形态成功）

Thorp 值得单独展开：他比 Black-Scholes 发表期权定价公式早两年就在实盘用等价公式做动态对冲；1987 年股灾当天因为预埋对冲结构几乎无伤；1991 年靠期权到期收益的数学结构证伪麦道夫，比案发早 17 年。而这个人给普通投资者的建议是——定投低费率指数基金。他的方法论浓缩成一句话：只在有数学边际的局里下注，下注大小按 Kelly 算，边际消失就换下一个局。

这些人的共同 DNA：

自有资金，无外部赎回——溢价最便宜时没人逼你卖；
小容量利基——机构进不来，超额不会被套利掉；
规则极简且系统化——简单才执行得下去；
仓位管理先于信号——Thorp 的 Kelly，海龟的头寸单位；
个人阶段收益最肥，机构化后必然衰减——Medallion 是靠”封盘 + 44% 抽成”保住的唯一例外。

八、对照我自己的策略：一张因子体检表

用五因子给我的策略做体检，结论是一张缺一角的拼图：

因子	我的实现	状态
盈利（RMW）	连续十年 FCF 与净利润双正的质量池	核心已建
价值（HML）	估值规则打底，只在便宜的基本盘里选	已建
市场（MKT）	宏观仓位阀门（熊市降仓）	已有雏形，待固化成不可手动覆盖的代码
动量（UMD）	动量轮动	已建，但 A 股动量弱反转强，回看窗口需要体检（学术标准是 12−1：过去 12 个月剔除最近 1 个月）
投资（CMA）	无	唯一空白：惩罚资产增速过高的”乱花钱”公司
规模（SMB）	池子天然中大盘	建议保持中性，只设流动性红线

机器学习的位置沿用业界共识的姿势：规则打底保证”赚可解释的钱”，模型只做两件事——排雷（剔价值陷阱）和挑加速（选催化剂），不驱动主收益。样本外验证过这个分工是正贡献之后，架构就不再动。

三个明确的下一步，按性价比排序：

CMA 试验：资产增长率先进模型看特征重要性和样本外增量，有正贡献再进打分——不硬性剔除，避免重蹈小市值因子的样本污染；
动量窗口体检：对照”含近月 vs 剔近月”跑一组回测，成本最低、可能改善最直接；
换手纪律：给轮动加滞回阈值（排名变化不显著就不调仓），降换手是唯一”无风险”的收益来源——DFA 超额的相当部分来自执行而非选股。

还有一句必须诚实写下的话：我的回测年化 25.75%（Sharpe 1.26）落在个人阶段系统化策略的理论区间内——Thorp 19%、Seykota 更高、梁文锋个人阶段远高于此——不算离谱，但也没被证明。 Thorp 用了 19 年才让那 230 个月说话。回测数字和真实记录之间隔着的，从来不是更好的模型，是时间和纪律：先让每日调仓列表跑满一个完整风格周期（涨、跌、震荡各来一遍），再谈真钱。

九、结语

如果把这一轮研究浓缩成三句话：

溢价是付给难受的人的工资。 每一个长期有效的因子背后都是一种真实的痛苦——孤独、无聊、逆向、长回撤。一个策略能不能拿住，取决于你懂不懂它在收哪份工资；不懂，回撤来了你必然下车，溢价就与你无关。
个人不是更强的玩家，是更挑得起战场的玩家。 机构的数据、硬件、人才碾压一切，但资金期限、容量利基、决策链路这三样，机构花钱也买不到。个人的全部活路在于只打机构进不来的仗——低频、小容量、需要拿得住的策略，恰好全部符合。
回测与实盘之间隔着的不是模型，是时间。 25.75% 是数字，不是记录。Thorp、Seykota、梁文锋的数字之所以算数，是因为他们各自用十几年把它变成了记录。在那之前，纪律重于聪明。

Thorp 一辈子赢，不是因为他最聪明，而是因为他每次都挑了对手最少的牌桌。对个人投资者来说，那张牌桌的名字从来不是”更快的模型”，而是”更能拿住的耐心”。