当技术分析与基本面分析出现矛盾时，因子正交化可以通过量化两者的独立信息贡献，帮助投资者更客观地融合多维度信号，避免主观判断的偏见。
技术分析（如趋势、动量）侧重市场情绪和短期资金行为，基本面分析（如市盈率、盈利增长）关注企业内在价值。两者矛盾常见于股价快速上涨但估值过高，或业绩向好但技术面破位。传统做法是“二选一”或主观加权，但因子正交化提供了一种数据驱动的融合框架。
因子正交化的核心逻辑
因子正交化的本质是消除因子之间的相关性，提取每个因子独有的信息增量。具体步骤包括：
- 计算因子截面相关性：在截面上（同一时间点所有股票），计算技术因子与基本面因子的相关系数（如Pearson相关系数）。若相关系数接近0.7以上，说明两者高度重叠，信息冗余严重。
- 正交化处理：使用Gram-Schmidt正交化或回归残差法，将一个因子的线性成分从另一个因子中剥离。例如，将技术因子对基本面因子做回归，残差部分即为技术因子的“独立信号”。
- 评估独立贡献：正交化后，每个因子只剩自身独特的预测能力。投资者可根据独立因子的历史有效性（如夏普比率、信息比率）分配权重。
基于独立因子的综合决策方法
正交化后，决策逻辑更清晰：
- 当独立信号方向一致：两者同时看多或看空，置信度最高，可加大仓位。
- 当独立信号方向相反：若技术因子独立信号强于基本面（如残差部分有显著动量），可短期偏向技术面；反之，若基本面独立信号更稳定，则以长期估值逻辑为主。
- 当独立信号较弱：正交化后某因子残差近似于白噪声（无统计显著性），说明该因子在当前阶段缺乏额外信息，应剔除或大幅降权。
关键结论：正交化不是消除矛盾，而是量化矛盾中可解释的部分。它让投资者从“哪个正确”转向“哪些信息真正独立且有价值”。
常见问题
如何计算两个因子的截面相关性？
在同一个时间点，取所有股票的技术因子值（如过去20日收益率）和基本面因子值（如市盈率倒数），计算两者的Pearson相关系数。相关系数绝对值超过0.5通常视为中度相关，超过0.7视为强相关，此时正交化效果显著。
正交化后因子权重如何确定？
通常根据独立因子在历史回测中的信息比率（IR）或夏普比率分配权重。信息比率越高，权重越大；若某因子残差的历史IR接近零，则权重可设为零。也可以使用等权或风险平价，但需注意正交化已消除相关性，等权更简单。
正交化适用于所有股票吗？
正交化的有效性取决于因子相关性的稳定性。在流动性差或机构持仓极低的微盘股中，因子相关性可能因噪音而剧烈波动，正交化结果不可靠。此时应优先使用简单方法（如主观判断或等权），或只对市值前80%的股票应用正交化。