在加息周期中，银行板块表现分化，根本原因在于不同银行对多种风险因子的暴露程度不同。因子正交化通过剔除多因子之间的相关性，分离出利率因子的纯净暴露，从而帮助投资者更准确地判断加息对具体银行是利好还是利空。
加息周期银行分化的核心原因
加息周期内，银行板块并非整体受益。对净息差敏感的银行（零售贷款占比高、存款成本低）往往受益，而对信用风险或流动性风险暴露更大的银行（如对公房地产贷款占比高、同业负债依赖度强）则可能承压。这种分化来源于个股对利率因子、信用风险因子、流动性因子等不同因子的暴露差异。传统分析中，这些因子高度相关，例如加息本身会同时影响利率和信用风险，导致难以区分单一因素的作用。
因子正交化的原理与应用
因子正交化是一种统计方法，用于消除多因子模型中各因子之间的相关性。其核心思路是：将原始因子（如利率、信用风险、流动性）转换为互相独立的正交因子，使每个因子只反映自身独特的影响。经过正交化后，利率因子载荷（即个股对利率因子的敏感度）不再混杂其他因子信息，成为纯净的利率暴露指标。
具体应用步骤如下：
- 构建原始因子矩阵：选取利率、信用风险、流动性等因子，计算每只银行股在各因子上的原始暴露（载荷）。
- 正交化处理：使用施密特正交化或主成分分析（PCA）等方法，将原始因子矩阵转换为正交因子矩阵，保证因子间协方差为零。
- 提取纯净暴露：正交化后，每只股票对利率因子的载荷即为纯净的利率敏感度。载荷为正且数值较大，表明该银行在加息中更可能受益；载荷为负或接近零，则表明加息对其净息差提升有限，甚至可能因信用风险上升而受损。
实际分析中的判断逻辑
通过正交化后的利率因子载荷，可以更清晰地划分银行类型：
- 高利率暴露银行：通常零售业务占比高、存款成本稳定，加息能有效扩大净息差，盈利弹性强。
- 低或负利率暴露银行：往往对公贷款或债券投资占比高，且信用风险敞口大（如房地产、城投），加息可能加剧坏账压力，抵消净息差收益。
关键结论：正交化后的因子暴露能更准确地评估宏观冲击。 例如，若某银行在传统分析中显示利率暴露为正，但正交化后变为负，说明其所谓的“受益”实际来自信用风险或流动性因子，而非利率本身。投资者应重点关注正交化后利率因子载荷的方向与大小，并结合该银行的信用风险暴露（如不良贷款率、拨备覆盖率）进行综合判断。
总之，因子正交化为加息周期中的银行投资分析提供了去伪存真的工具，帮助识别真正受益于利率上升的标的，同时规避表面受益实则隐含风险的个股。
常见问题
因子正交化是否适用于其他行业？
是的，因子正交化是多因子模型的通用技术，适用于任何存在因子相关性的行业。例如，在科技板块中，可分离成长因子与估值因子的影响；在消费板块中，可剔除周期因子对品牌因子的干扰。
正交化后的因子载荷数值如何解读？
正交化后的因子载荷是标准化数值，通常介于-2到2之间。正值越大，表示该股票对该因子正向暴露越强；负值越大，表示反向暴露越强。 具体阈值需结合行业平均水平判断，一般绝对值大于0.5即视为显著暴露。
是否需要专业软件才能进行因子正交化？
基础的正交化（如施密特正交化）可通过Excel或Python等工具实现。对于多因子模型，建议使用Python的statsmodels库或专业量化平台（如Wind、聚宽），它们内置了正交化函数，能处理大规模因子矩阵并输出纯净暴露数据。