量化选股模型的核心是选股因子——能够解释或预测股票回报的量化特征。简单来说，因子就是将选股逻辑（如“便宜”“涨得好”“盈利强”）转化为可计算的数值指标，再根据这些指标筛选股票。常见的因子包括价值因子（市盈率、市净率）、动量因子（过去3-12个月的涨幅）和质量因子（净资产收益率、毛利率）。量化选股的起点，就是理解这些因子如何定义和组合。
单因子与多因子模型的构建逻辑
单因子模型只用一个因子选股，例如“低市盈率”因子：将所有股票按市盈率从低到高排序，买入最低的10%并定期调仓。这种模型简单直观，但容易踩坑——单一因子可能在特定市场环境下失效，比如价值因子在成长股行情中跑输大盘。
多因子模型则同时考虑多个因子，通过打分法或排序法综合评估。以价值+动量+质量三因子为例：先对每个因子分别打分（例如按百分位数排名），再将各因子得分加权求和，得到总分。权重设置是关键——常见做法是等权重（各因子各占1/3），或根据历史表现动态调整。多因子模型能分散单因子失效风险，通常比单因子更稳健。
因子回测的意义与常见误区
因子回测是用历史数据模拟因子选股策略的表现，目的是验证因子是否有效。回测至少需要覆盖一个完整的市场周期（如包含牛熊市），并考虑交易成本、滑点等现实因素。
常见误区有两个：一是过拟合——在回测中不断调整参数（比如把动量因子窗口从12个月改成11个月），直到结果完美，但这往往意味着策略在未来会失效。二是幸存者偏差——只回测当前仍在交易的股票，忽略了已退市的股票，导致收益被高估。正确做法是使用“无幸存者偏差”的数据集，包含所有曾上市的公司。
总结：量化选股从理解单个因子开始，通过多因子组合分散风险，再借助回测验证有效性。核心是保持逻辑简单、避免过度优化。
常见问题
量化选股模型需要编程基础吗？
不需要。初学者可以用Excel或券商自带的选股工具（如条件选股功能）实现单因子或多因子筛选。但若要深入回测和自动化，建议学习Python或R语言。
选股因子越多越好吗？
不是。因子过多容易导致过拟合，且因子之间的相关性会降低组合效果。通常3-5个逻辑独立、相关性低的因子（如价值、动量、质量、低波动）已足够。
因子回测表现好，实盘就一定能赚钱吗？
不一定。回测无法完全模拟市场冲击、流动性变化和突发风险。回测只是参考，实盘需结合市场环境动态调整，并设置止损规则。