当股价与基本面严重背离时，因子分析能通过拆解收益来源，区分基本面驱动与非基本面干扰。核心工具是 Fama-MacBeth回归 与 多因子模型，它们将股价波动分解为可解释的因子暴露和不可解释的残差，从而定位错误定价或情绪过度反应。
因子暴露与残差分解
因子分析的第一步是剥离系统性因子。以 Fama-MacBeth 回归为例，该方法分两步运行：
- 第一步（时间序列回归）：对每只股票，将其收益率对市场、规模、价值、动量等因子进行回归，得到该股票的因子暴露（即对每个因子的敏感度）。
- 第二步（横截面回归）：在每一期，将所有股票的收益率对第一步得到的因子暴露做回归，估算出每期因子的预期收益率。
残差部分就是实际收益率减去因子模型预测的收益率。如果残差显著为正且持续，说明股价中存在非基本面因素（如市场情绪、资金流动）在推高价格；反之，残差显著为负则暗示被低估。
多因子模型比较与错误定价识别
单一因子模型可能遗漏重要维度，导致错误定价误判。比较多个多因子模型（如 Fama-French 三因子、五因子、Carhart 四因子）能提高识别精度：
| 模型 | 包含因子 | 对错误定价的敏感度 |
|---|---|---|
| Fama-French 三因子 | 市场、规模、价值 | 基础，可能遗漏盈利与投资因素 |
| Carhart 四因子 | 三因子 + 动量 | 捕捉趋势性情绪 |
| Fama-French 五因子 | 三因子 + 盈利、投资 | 更全面，降低遗漏概率 |
若某股票在多个模型中均出现显著残差，则错误定价的可能性更高。因子正交化（如 Gram-Schmidt 正交化）能消除因子间的多重共线性，使每个因子的贡献更独立，避免因子重叠导致的残差误判。
因子正交化消除多重共线性
因子之间常存在相关性（如价值因子与盈利因子正相关），直接回归会导致系数不稳定。因子正交化通过线性变换，将原始因子转换为互不相关的新因子，使每个因子的解释力独立。例如，先对市场因子正交化，再将规模因子对市场因子回归取残差，以此类推。正交化后的因子暴露更纯净，残差部分更能反映非基本面噪音。
总结：因子分析通过分解因子暴露与残差，结合多模型比较与正交化处理，能系统性地分离基本面与非基本面因素，为判断股价是否被错误定价提供量化线索。
常见问题
因子分析能直接预测股价何时回归基本面吗？
不能预测具体时间点。因子分析只能识别当前股价中非基本面因素的占比，但回归基本面的时机取决于市场情绪何时消退、新信息是否出现。通常，残差越大，未来均值回归的概率越高，但时间窗口不确定。
Fama-MacBeth 回归对数据频率有要求吗？
通常使用月度数据，因为因子收益率在月频上更稳定。日频数据可能引入过多噪音，导致因子暴露估计不稳定。实践中也可用周频，但需注意调整标准误以应对序列相关。
因子正交化会改变因子的经济含义吗？
会改变，但保留解释力。正交化后的因子失去了原始因子的直观标签（如“纯规模因子”），但每个因子仍代表一组独立的风险源。这种处理更适合统计建模，而非经济含义解读。