同行业股票估值差异大，因子模型通过分析各股票在不同风险因子（如价值、规模、动量、盈利质量等）上的暴露差异来解释这一现象。同一行业的公司虽然业务相似，但它们的财务特征、成长阶段和市场情绪不同，导致对相同因子的敏感度不同。例如，一只高市盈率的成长型股票可能对盈利增长因子暴露更高，而一只低市盈率的价值型股票则对价值因子暴露更突出。因子模型正是通过量化这些因子暴露，将估值差异归因于可解释的风险来源，而非单纯的行业属性。
因子模型的核心在于识别和量化预测变量。研究者通常从价值因子（如账面市值比）、异象因子（如低波动、高盈利）等维度入手。以Fama-French五因子模型为例，它包含市场、规模、价值、盈利和投资因子。同一行业内，小市值公司可能对规模因子暴露更高，而高盈利公司对盈利因子暴露更突出，这些差异直接反映在估值上。变量选择必须基于实证检验，例如通过横截面回归验证某个因子对收益率的解释力，避免随意选取。
实际应用中，投资者可借助因子分析工具（如Barra模型）分解个股的估值来源。例如，同一银行的A股和H股估值差异，可能源于市场因子（如流动性风险）或国家风险因子的不同暴露。因子模型不是预测工具，而是解释框架，它帮助识别哪些因子在驱动估值分化，从而为投资决策提供客观参考。关键在于理解：估值差异不是错误，而是风险定价的结果。
简短总结：同行业估值差异源于各股票对价值、异象等因子的暴露不同，因子模型通过实证选定的预测变量量化这些差异，提供风险解释而非预测。
常见问题
因子模型能否直接用于选股？
不能直接用于选股。因子模型主要用于解释收益和风险来源，而非给出买卖信号。选股需结合因子暴露分析、基本面研究和市场环境，属于更高层次的决策。
同一行业内，因子暴露差异通常有多大？
差异可能显著。例如，一只高杠杆的银行股对信用风险因子暴露更高，而另一只低杠杆的银行股则对市场因子暴露更突出。具体数值需通过模型计算，常见范围在±0.5到±2个标准差之间。
变量选择错误会怎样？
变量选择错误会导致模型解释力不足，甚至误导结论。例如，忽略动量因子可能低估短期收益差异。因此，变量必须基于历史回测、经济理论或行业文献，且需定期更新验证。