基于财务指标的因子模型（如多因子量化选股模型）之所以会忽视会计失真风险，核心原因在于它们依赖ROE（净资产收益率）等简单、可量化的历史财务指标，而这类指标容易被上市公司通过盈余操纵等手段人为美化。因子模型追求统计上的规律性和可复制性，天然倾向于使用标准化、易获取的数据，难以识别并剔除那些经过会计粉饰的“失真”成分，从而导致模型对股票真实价值的误判。
因子模型依赖简单指标的局限性
因子模型（如Fama-French三因子模型）通常选取ROE、毛利率、资产负债率等常见财务指标作为输入变量。这些指标的优势是计算简单、数据可得性强，但也恰恰是上市公司进行盈余操纵的重点对象。例如，一家公司可以通过提前确认收入、推迟确认费用或进行关联交易，短期内显著提升ROE，使其在因子模型中的评分变高。然而，这种“高ROE”并不反映其真实的盈利能力，而是会计操纵的结果。模型本身缺乏对财务报表底层逻辑的校验机制，只能“所见即所得”，因此容易被误导。
会计失真风险如何被系统性忽视
会计失真风险之所以被因子模型系统性忽视，主要源于两个机制。第一，因子模型是后验统计工具，它们基于历史数据挖掘规律，默认历史数据是真实有效的。如果历史数据中已经包含大量被操纵的财务指标，模型会将这些操纵行为“学习”为有效信号，从而放大了失真风险。第二，因子模型不区分会计质量。以Richard Sloan教授的研究（如“应计异象”假说）为例，他证明应计利润（会计利润中非现金的部分）与未来股票收益呈负相关，即高应计利润的公司往往未来回报更低，因为高应计项通常暗示盈余操纵。然而，传统因子模型在计算ROE时直接使用净利润，并未将净利润拆分为“应计部分”和“现金流部分”，因此无法识别这种隐藏的风险。Sloan的研究表明，投资者如果只关注会计利润而忽略其构成，会系统性地高估那些通过应计项目美化业绩的公司，这正是因子模型失效的根源。
总结：因子模型依赖简单、未经审计的财务指标，而会计失真风险恰恰隐藏在这些指标的“可操纵”属性中。 投资者在使用因子模型时，需要额外补充会计质量校验（如应计项占比、审计意见等），才能降低被失真数据误导的概率。
常见问题
因子模型是否完全不可用？
不是。因子模型在多数情况下仍能提供有效的选股信号，但需要结合会计质量筛选来过滤失真样本。例如，可以在构建投资组合前剔除应计利润占比过高（通常指应计项占总资产比例超过行业均值两倍）的股票，从而降低模型被操纵数据误导的风险。
如何识别财务指标中的失真风险？
可以关注应计利润占比、应收账款增速与收入增速的差异、以及审计意见。Richard Sloan的研究指出，应计利润占总资产比例过高的公司（通常高于行业均值一个标准差以上），未来收益往往低于预期。另外，持续高于同行的毛利率或ROE也值得警惕，需结合现金流数据交叉验证。
除了因子模型，还有其他工具能规避会计失真吗？
可以。基于现金流的模型（如现金流贴现模型）或会计质量评分系统（如Beneish M-Score）能更直接地识别盈余操纵。Beneish M-Score通过八个财务比率（如应收账款指数、毛利率指数等）量化操纵概率，分数越高表示操纵风险越大。这类工具可以作为因子模型的补充，帮助投资者避开“报表漂亮但实际糟糕”的股票。