多个相似因子同时使用会降低投资效果，核心原因是信息冗余导致每个因子无法提供独立解释力，同时放大统计噪声（标准误增大），使模型稳定性和预测能力下降。
当因子高度相关时，例如市盈率（PE）与市净率（PB）均反映估值水平，它们对收益的解释部分重叠。同时纳入这类相似因子，相当于重复计算同一信息，不仅无法增加新维度，还会稀释各因子的边际贡献。统计上，高度相关因子会提高回归系数的标准误，使因子收益估计变得不稳定，回测中的显著性可能来源于噪声而非真实规律。
因子正交化如何解决冗余问题
因子正交化是一种数学处理，通过线性变换去除因子间的相关性，使每个因子独立贡献收益解释力。例如，先将市净率对市盈率回归，取残差作为“剔除市盈率影响后的市净率”，再纳入模型。这样新因子只包含与市盈率无关的部分，有效降低冗余。
实际操作中，主流的量化平台（如Wind、聚宽）提供正交化工具。投资者应优先选择逻辑差异明显的因子（如估值+动量+质量），而非多个估值类因子堆叠。正交化后，因子组合的夏普比率通常更高，回撤更小。
如何优化因子组合避免重复
- 分类筛选：将因子按逻辑归为估值、成长、质量、情绪等大类，每类最多选1-2个最具代表性指标。例如估值类选市盈率或市净率之一，再搭配动量类（如过去12个月收益率）。
- 相关性检测：使用相关系数矩阵，剔除相关性高于0.8的因子对。常见高相关因子组合包括：市盈率与市净率、净资产收益率（ROE）与毛利率、换手率与波动率。
- 压力测试：在样本外数据验证因子组合的稳定性。若加入新因子后模型解释力（R²）提升不足5%，说明冗余严重。
总结：避免相似因子堆砌，核心在于理解因子背后的经济逻辑，而非单纯追求数量。正交化是技术手段，但根本是选择逻辑独立、解释力互补的因子，才能提升投资效果的稳定性和可解释性。
常见问题
如何判断两个因子是否过于相似？
计算它们的相关系数，若绝对值超过0.7-0.8，通常表示高度相关。更直观的方法是看因子背后的逻辑：如果都衡量同一维度（如不同估值指标），即使数值不同，也属于相似因子。
因子正交化一定提升收益吗？
不一定。正交化主要降低噪声和冗余，提升模型稳定性。但在某些市场环境下，完全正交化可能过滤掉因子间的协同效应（如估值与盈利的交互作用），需结合回测效果调整。
散户投资者需要做因子正交化吗？
通常不需要。散户使用单因子或2-3个逻辑独立的简单组合即可，例如市盈率+营收增长率。正交化更多适用于多因子量化策略（5个以上因子），普通投资者避免重复使用同类指标就能显著改善效果。