因子收益率排序法和回归法各有优劣，但在准确性和稳健性上，回归法通常更优。排序法通过构建多空组合（如买入高因子值股票、卖出低因子值股票）计算收益率，方法直观且易于实现，但容易受其他因子干扰，导致收益率中包含噪声。回归法则通过多元线性回归剥离出纯因子组合，能更精确地衡量单一因子的独立贡献。Fama and French（2020）的研究指出，回归法得到的纯因子收益率在解释截面收益差异时更可靠，尤其适合复杂因子模型和行业轮动分析。
排序法的优缺点
排序法的主要优势是简单透明。投资者只需按因子值排序分组，计算多空组合的收益差即可。例如，按市盈率排序后买入低市盈率组、卖出高市盈率组，就能近似得到价值因子的收益率。这种方法对新手友好，且不需要复杂的统计建模。
但排序法的缺点也很明显。它无法完全控制其他因子的影响。比如，低市盈率组可能同时包含小市值股票，导致计算出的价值因子收益率中混入市值效应。此外，排序法对分组数量敏感（如五组或十组），不同分组方式可能得出不同结果，降低了结果的稳定性。
回归法的优势
回归法通过多元回归模型（如Fama-MacBeth回归或时间序列回归）直接估计因子收益率，能同时控制多个因子，从而得到更纯净的因子暴露。具体来说，回归法会为每只股票估计其对每个因子的敏感系数，再通过横截面回归计算出每个因子的“价格”（即收益率）。这样得到的纯因子组合，理论上只反映该因子的边际贡献。
在行业轮动分析中，回归法的精确性尤为重要。行业轮动依赖多个因子（如动量、价值、质量）的协同判断，如果因子收益率不纯净，轮动策略的信号会被扭曲。Fama and French（2020）的研究支持这一观点：他们发现，回归法构建的纯因子组合在解释股票收益的横截面差异时，调整后R²显著高于排序法构建的组合。
总结
对于追求因子准确性的投资者（如量化研究员或行业轮动策略开发者），回归法是更可靠的选择，尽管它需要更强的统计知识和计算资源。排序法更适合快速验证或初步探索，但应警惕其混杂效应。在实际应用中，可以先用排序法筛选候选因子，再用回归法精确估计收益率，以兼顾效率与准确性。
常见问题
排序法在什么情况下仍然可用？
排序法在因子数量少（如单因子分析）或数据样本有限时仍有效。如果只分析一个因子，且股票池内其他特征差异不大，排序法的结果与回归法接近，可以快速提供参考。
回归法对数据量有要求吗？
有。回归法通常需要较大的样本量（如至少数百只股票和几十个时间点）才能获得稳定估计。若股票池太小，回归系数可能不稳定，此时排序法反而更稳健。
行业轮动中必须使用回归法吗？
不一定，但建议优先考虑。行业轮动涉及多因子协同，回归法能避免因子间的相互干扰，提高信号质量。如果只依赖一两个简单因子（如动量），排序法也足够，但需注意结果可能被其他因子污染。