第十五章：信息与资产定价：Fama-French因子、动量因子、信息摩擦

各位，咱们今天聊点硬核的。

信息怎么变成价格的？这个问题我琢磨了十年。说实话，刚入行那会儿，我以为市场是有效的——价格已经反映了所有信息。后来做量化交易，被市场狠狠教育了几次，才明白事情没那么简单。

15.1 从CAPM到Fama-French：信息不够用了

CAPM（资本资产定价模型）是经典。它说：股票的预期收益只跟市场风险（Beta）有关。嗯，听起来很美。但我自己在回测中发现，光靠Beta根本解释不了收益差异。

举个例子。我2015年跑过一个策略，筛选低Beta的股票做多，高Beta的做空。结果呢？收益曲线跟过山车似的。为什么？因为市场里还有别的信息在驱动价格。

Fama和French两位大佬在1993年提出了三因子模型。说白了，就是加了两个额外信息维度：

• 规模因子（SMB）：小市值公司比大市值公司有更高的平均收益
• 价值因子（HML）：高账面市值比（价值股）比低账面市值比（成长股）收益更高

公式长这样：

E(Ri) - Rf = βi * (E(Rm) - Rf) + si * SMB + hi * HML

我个人习惯把这三个因子看成三种信息渠道：

• 市场信息（Beta）—— 整体经济环境
• 规模信息（SMB）—— 小公司的信息不对称更严重
• 价值信息（HML）—— 市场对基本面信息的过度反应或反应不足

15.2 动量因子：信息传递需要时间

动量因子是我最喜欢的。为什么？因为它直接挑战了有效市场假说。

动量策略很简单：买过去涨得好的股票，卖过去跌得惨的股票。持有期3-12个月。我2018年用A股数据跑过，年化超额收益大概在8%-12%之间。当然，回撤也大，2015年股灾那会儿动量策略直接崩了30%。

为什么会这样？

我个人理解是：信息传递需要时间。你想想看，一个利好消息出来，不是所有人都能立刻理解并行动。机构投资者先反应，散户后知后觉，最后才是量化程序。这个过程中，价格会慢慢消化信息，形成趋势。

动量因子的数学表达：

MOM = (Pt - Pt-12) / Pt-12

其中Pt是当前价格，Pt-12是12个月前的价格。

我曾经犯过一个错误：把动量窗口设得太短（1个月）。结果发现全是噪音，交易成本还高得吓人。后来改成6个月窗口，效果明显改善。嗯，这里要注意：动量不是越短越好。

15.3 信息摩擦：为什么市场不是完美的

信息摩擦，说白了就是信息在传递过程中会失真、延迟、甚至被扭曲。这玩意儿在学术圈讨论了几十年，但在实战中往往被忽视。

我总结了几种常见的信息摩擦：

摩擦类型	具体表现	对定价的影响
信息不对称	内幕交易、分析师预测偏差	价格偏离基本面
信息处理成本	散户看不懂财报、机构需要分析团队	信息不能完全反映到价格中
行为偏差	过度自信、锚定效应、羊群效应	价格出现可预测的偏差
制度摩擦	涨跌停板、T+1交易、做空限制	信息不能及时释放

举个例子。2019年我研究过A股的涨停板制度。发现一个有趣的现象：涨停后第二天，股票往往继续上涨。为什么？因为涨停板限制了信息在当天的释放，部分信息被延迟到第二天。这就是制度摩擦导致的定价偏差。

15.4 知识体系：信息如何驱动价格

下面这张图是我自己画的，把本章的核心逻辑串起来了：

这张图想表达什么？信息从源头到价格，中间要经过摩擦层和因子模型层。摩擦层决定了信息传递的效率，因子模型层则帮我们量化信息对价格的影响。反馈回路说明价格本身也会影响信息的产生——比如价格上涨会吸引更多关注，产生新的信息。

15.5 实战：用Python实现Fama-French因子

光说不练假把式。我给你们看一段代码，是我之前做研究时用的：

import pandas as pd
import numpy as np
import statsmodels.api as sm

def fama_french_regression(stock_returns, market_returns, smb, hml):
    """
    计算Fama-French三因子模型的因子载荷
    """
    # 准备数据
    X = pd.DataFrame({
        'market': market_returns,
        'smb': smb,
        'hml': hml
    })
    X = sm.add_constant(X)
    y = stock_returns
    
    # 回归
    model = sm.OLS(y, X).fit()
    
    return model.params  # 返回alpha, beta, s, h

# 使用示例
# params = fama_french_regression(stock_ret, mkt_ret, smb_data, hml_data)
# print(f"Alpha: {params['const']:.4f}")
# print(f"Beta: {params['market']:.4f}")
# print(f"SMB: {params['smb']:.4f}")
# print(f"HML: {params['hml']:.4f}")

这段代码干的事很简单：把股票收益分解成市场、规模、价值三个部分。如果Alpha显著不为零，说明这个股票有超额收益——可能是信息摩擦导致的定价偏差。

15.6 避坑指南

最后，分享几个我踩过的坑：

• 因子不是越多越好——我曾经用20个因子做多因子模型，结果过拟合得一塌糊涂。记住奥卡姆剃刀：简单的模型往往更稳健。
• 动量因子有周期性——2016-2018年动量策略表现极差，很多人放弃了。但2019年又回来了。做量化要有耐心，别因为短期回撤就否定一个因子。
• 信息摩擦会变化——2015年股灾后，监管层加强了信息披露要求，信息摩擦降低了。你的模型需要定期更新。
• 别忽视交易成本——动量策略换手率高，交易成本能吃掉一半收益。我建议用期货或ETF来降低摩擦成本。

好了，这一章就到这儿。信息与资产定价的关系，说白了就是一句话：市场不是完美的，信息不是免费的，而我们的工作就是找到这些不完美中的规律。