在A股市场中，多因子模型实证研究发现，价值因子和规模因子是长期被显著定价的核心因子，即这些因子能系统性地解释股票收益率的横截面差异。这一结论主要基于排序法和Fama-MacBeth回归两种经典方法的检验。
排序法实证的显著定价因子
排序法是最直观的因子检验方式。按因子值（如市盈率倒数、市值大小）将股票分组，观察高低组间的收益差。在A股中，低市盈率（高账面市值比）的价值股组合长期跑赢高市盈率成长股组合，说明价值因子被定价。同时，小市值股票组合长期跑赢大市值组合，规模因子同样显著。这两种效应在多数市场环境下稳定存在，尤其在流动性充裕时更为明显。
但排序法存在一个关键缺陷：因子间暴露无法完全分离。例如，小市值股票往往也偏价值（低市盈率），价值股中又常包含小盘股。当分组时，价值组可能同时暴露于规模因子，导致收益差异难以归因于单一因子。这种“因子混叠”会高估或低估某个因子的独立贡献。
Fama-MacBeth回归的进一步验证
为克服排序法的因子暴露问题，Fama-MacBeth回归通过两步法分离各因子的独立定价能力。第一步，对每只股票在每期（如月度）的收益率与因子值（如规模、价值、动量等）进行横截面回归；第二步，对回归系数的时间序列进行统计检验，判断该因子是否显著非零。
在A股应用中，Fama-MacBeth回归进一步确认了价值因子和规模因子的显著性独立于其他因子。当同时纳入多个因子（如加入动量、波动率）时，价值和规模的系数仍保持统计显著，说明它们并非由其他因子驱动。此外，该方法还能揭示哪些因子在控制其他变量后失去定价能力，例如某些技术因子可能在加入规模后不再显著。
总结而言，排序法提供了因子定价的直观证据，但需注意因子间暴露问题；Fama-MacBeth回归则通过横截面回归分离了各因子的独立贡献，确认价值和规模是A股中最稳健的两大定价因子。实际研究中，两种方法常结合使用，以交叉验证因子定价的可靠性。
常见问题
### 排序法与Fama-MacBeth回归的结果会不会矛盾？
通常不会，但可能出现差异。排序法侧重因子分组的收益差，而Fama-MacBeth回归控制其他变量后检验独立性。如果排序法显著的某个因子在回归中不显著，说明其收益可能来源于与其他因子的共线性，而非独立定价。
### 除了价值和规模，A股还有哪些因子被定价？
动量因子和低波动因子也常被讨论，但显著性不如价值和规模稳定。动量因子在A股存在“短期反转、中期动量”的特殊模式，而低波动因子在部分时段有效，但受市场风格切换影响较大。
### Fama-MacBeth回归在A股使用时有什么注意事项？
需注意股票停牌、退市导致的样本偏差，以及因子值在截面上的异常值（如极端小市值）。通常建议对因子进行分位数截尾或标准化处理，并采用Newey-West调整标准误来修正序列相关性，以保证系数检验的准确性。