多因子模型并非解释的异象越多就越好。优秀的多因子模型核心在于用简洁、有经济逻辑的因子体系，解释资产收益的横截面差异，而非单纯比拼解释异象的数量。过度追求覆盖更多异象，容易陷入“因子大战”——研究者不断挖掘统计上显著但缺乏经济含义的因子，导致模型臃肿、过拟合，反而降低了其稳健性和可解释性。
解释异象数量与模型质量的误区
多因子模型的首要目标是识别驱动资产收益的共同风险来源。如果一个模型能解释 50 个异象，但其中大部分因子之间高度相关或仅靠数据挖掘得到，那么它的预测能力和稳定性远不如一个仅解释 30 个异象、但每个因子都有坚实经济逻辑的模型。因子之间可能存在冗余（例如，多个因子描述同一风险维度），盲目增加因子只会提高模型复杂性，增加过拟合风险。
在实际应用中，投资者更关心因子能否在未来持续有效。统计上显著的因子若缺乏经济逻辑（如基于特定历史时期的异常模式），一旦市场环境变化，其解释力可能迅速衰减。因此，评判模型优劣时，应优先关注因子背后的驱动因素——是风险补偿、行为偏差，还是市场摩擦？这比单纯看解释异象的个数更有价值。
如何评估多因子模型的质量
评估多因子模型，建议从三个维度入手：
- 经济逻辑：每个因子是否有清晰的理论支撑？例如，价值因子（账面市值比）反映风险补偿，动量因子反映行为偏差，它们都有明确的解释。
- 稳健性：因子在不同市场、不同时间段、不同样本外测试中是否持续有效？稳健性差的因子往往是数据挖掘的产物。
- 简约性：模型是否能以较少的因子解释大部分异象？简约模型（如 Fama-French 三因子或五因子）虽然解释的异象数有限，但其因子结构稳定，易于理解和应用。
下表对比了理想模型与过度追求异象数量的模型：
| 维度 | 理想模型 | 过度解释异象的模型 |
|---|---|---|
| 因子数量 | 少而精（3-5个） | 多而杂（10个以上） |
| 经济逻辑 | 每个因子有明确理论 | 部分因子依赖数据挖掘 |
| 稳健性 | 跨市场、跨时期稳定 | 易过拟合，样本外失效 |
| 可解释性 | 高，便于决策 | 低，因子间关系混乱 |
简短总结
多因子模型的价值不在于解释异象的数量，而在于用简洁、有经济逻辑的因子揭示资产收益的驱动因素。避免因子大战，关注因子背后的逻辑和市场理解，才能构建真正有效的投资框架。
常见问题
什么是“因子大战”？
因子大战指研究者不断挖掘统计上显著的因子，以期覆盖更多异象，但许多因子缺乏经济含义且相互冗余。这种现象导致模型复杂化、过拟合，降低实用价值。
投资者如何避免被“因子多”的模型误导？
投资者应重点考察因子的经济逻辑和稳健性，而非仅看解释的异象数量。可以优先选择因子结构简洁、在多个市场验证过的模型，并关注因子在极端市场中的表现。
一个模型解释的异象太少，是不是就不好？
不一定。如果模型能解释的核心异象（如价值、动量、盈利）具有稳健的经济逻辑，并且无法被其他更简单的模型替代，那么它仍是有价值的。关键看因子是否抓住了市场收益的主要驱动因素。