因子暴露 Factor Exposure

定义#

因子暴露是资产收益对某个因子变动的敏感程度。在因子模型的回归里，它就是每个因子前面的那个系数：价值因子暴露 0.4，意味着价值因子每涨 1%，这个组合平均跟着涨 0.4%。贝塔是它的一个特例，只不过因子恰好是「市场」。

看因子暴露的目的通常有两个：一是归因，弄清收益到底是从哪些风险来源赚到的；二是控制，确认组合的风格没有偏离预期——一只号称精选个股的基金若价值因子暴露常年很高，它赚的可能只是价值因子的钱。

公式#

其中 $\beta_j$ 就是对第 $j$ 个因子的暴露，由最小二乘回归估出；$\alpha$ 是模型未解释的平均收益，$\epsilon$ 是特异收益。与之配套的两个指标是主动收益（组合收益减基准收益）和主动风险（主动收益的标准差，也叫跟踪误差），二者相除就是信息比率。

算一笔账#

用 Fama-French 三因子回归某组合的日超额收益，得到市场暴露 1.05、SMB 暴露 0.20、HML 暴露 0.35。当年 HML 因子收益为 4%。

价值因子对组合的贡献 $= 0.35 \times 4\% = 1.4\%$。若组合当年跑赢基准 5%，其中 1.4 个百分点其实是「持有了价值风格」赚来的，不该记在选股能力上。

再看主动收益和主动风险这一侧：某基金年化主动收益 5%，主动风险 8%，信息比率 $= 5\%/8\% = 0.625$。意思是每承担 1 单位跟踪误差，换回 0.625 单位的超额收益。

常见问题#

因子暴露和贝塔是一回事吗？#

贝塔是因子暴露的特例——单因子模型里因子只有市场，那个系数就叫贝塔。多因子模型里每个因子都有自己的暴露，市场只是其中一个。习惯上口语说「贝塔」多指市场暴露，说「因子暴露」则指整套系数。

用多长的窗口估计比较合适？#

日频数据配 60–120 个交易日的滚动窗口是常见起点：窗口太短，估计被噪声主导；太长则跟不上风格的真实变化。做长期分析时改用月频数据更稳。稳妥的做法是同时看几个窗口的滚动结果，判断暴露是稳定的还是在漂移。

因子暴露为零就是中性了吗？#

只是在这个模型里、这段样本上中性。因子模型没纳入的风险来源照样存在，估计值本身也有误差和置信区间——点估计接近零但区间很宽，并不能说明已经中性。此外因子之间往往相关，忽略这一点会让单个系数的解读失真，需要先做正交化或主成分处理。