同行业公司估值差异大，因子模型通过量化风险因子暴露来解释这些差异。具体而言，Fama-MacBeth回归等因子模型方法，将估值差异归因于公司对市值、盈利、投资等系统性风险因子的暴露程度不同。如果这些因子无法解释差异，则可能暗示市场存在错误定价。
因子模型的基本原理
因子模型的核心思想是：资产的预期收益率由其对多个系统性风险因子的暴露决定。Fama-MacBeth回归是验证因子有效性的经典方法，分两步进行。第一步，对每期截面数据（如所有同行业公司）进行回归，估计各公司对市值、账面市值比、盈利能力等因子的敏感度（因子暴露）。第二步，将各期估计的因子暴露作为解释变量，对股票收益率进行时间序列回归，得出各因子的风险溢价（即因子收益率）。
这一方法能判断哪些因子显著影响收益率。例如，若小市值因子溢价为正，则市值较小的公司因承担更高流动性风险，预期收益率会更高，从而其估值可能更低。
因子模型如何解释估值差异
在同行业内，不同公司对相同因子的暴露存在差异。举例来说，一家高盈利、低杠杆的公司与一家低盈利、高杠杆的公司，对盈利因子和杠杆因子的暴露截然不同。因子模型通过量化这些暴露，将估值差异拆解为因子风险的补偿。
具体步骤为：首先，收集同行业公司的财务数据（如市值、盈利增长率、资产负债率）和股价数据。然后，使用Fama-MacBeth回归估计各因子的风险溢价。最后，计算每家公司基于因子暴露的预期收益率，并与实际收益率比较。如果预期收益率与实际收益率接近，说明估值差异主要由因子风险解释；若差异显著且无法被因子解释，则可能反映市场错误定价，如投资者情绪或信息不对称导致的投机性偏差。
常见问题
Fama-MacBeth回归与普通回归有何不同？
普通回归一次性地将因子暴露与收益率回归，但忽略了截面相关性。Fama-MacBeth回归分两步进行：先对每期截面数据单独回归，得到各期因子暴露；再对因子暴露的时间序列进行回归，得到因子溢价。这种方法能更稳健地估计因子是否显著，且不易受截面残差相关性的影响。
同行业估值差异中，哪些因子最常见？
常见的风险因子包括市值、账面市值比、盈利能力和投资水平。例如，小市值公司因流动性风险承担更高预期收益，估值可能更低；高盈利公司则因盈利因子溢价而估值更高。此外，行业特有的因子（如科技行业的研发投入因子）也可能显著影响估值差异。
因子模型无法解释估值差异时，投资者该怎么办？
当因子模型无法解释估值差异时，应警惕市场错误定价。此时可结合基本面分析，检查公司是否存在被忽视的竞争优势或潜在风险。若差异持续存在且无新信息出现，可能意味着市场情绪驱动了短期偏离，需谨慎看待这类估值差异的可持续性。