因子会失效吗？16 篇学术论文告诉你答案
因子会失效吗？16 篇学术论文告诉你答案
前段时间写了一篇文章，讲回测是下限，不是答案。核心观点很直接：回测的收益率没有参考价值，因为它回答的是”如果市场按过去路径运行你会赚多少”，而那条路径不会再走一遍。
有朋友问了一个很好的追问：如果因子本身也会失效呢？
这个问题其实比”回测不准”更深一层。回测不准，可能是过拟合、幸存者偏差、未来数据泄露。但因子失效，说的是这个因子本身的有效性在下降——不是你的代码有问题，是市场变了。
学术界对这个问题有大量研究。我整理了 16 篇来自顶级期刊（JF、RFS、JFE、JPM、FAJ）的论文，从因子动物园到 AI 加速衰减，从制度切换到应对方案。这篇是硬核的学术研究介绍，数据量比较大。
文中所有数据均标注出处，方便核实。
316 个因子，有多少是真的？
2016 年，Duke 大学的 Campbell Harvey、Yan Liu 和 Heqing Zhu 在 The Review of Financial Studies 发了一篇论文：“…and the Cross-Section of Expected Returns”。
来源：Harvey, Liu & Zhu (2016), The Review of Financial Studies, 29(1), 5-68.
这篇论文做了一件简单但得罪人的事：统计学术界到底发表了多少个因子。
从 1967 年到 2014 年，顶级期刊发表了 316 个声称能预测股票横截面收益的因子。1970 年代每年只有几个，到 2010 年代每年超过 40 个。而且大家用的都是同一批数据——CRSP、Compustat——同样的矿被挖了上千遍。
来源：原文 Table 1 及 Foxholm Financial 综述。
然后他们问了一个让人不舒服的问题：你测了 316 次，按概率，应该有一些是碰巧”显著”的。标准还能一样吗？
这是统计学里的多重检验问题（multiple testing）。单独检验一次，t 值 > 2.0（p < 0.05）是合理的。但你连着测了 316 次，即使所有因子都是假的，按 5% 的误报率，也会有 大约 16 个”碰巧显著”。
Harvey 等人用了三种统计校正方法（Bonferroni、Holm、BHY），得出同一个结论：阈值必须随时间递增。
| 年代 | 一个新因子需要的 t 值 |
|---|---|
| 早期（1967 年首次测试） | ≈ 2.0 |
| 2012 年 | ≈ 3.0 |
| 预计 2032 年 | ≈ 3.4 |
来源：原文 Figure 1 及 Foxholm Financial 综述。
你发表得越晚，门槛越高——不是市场变了，是你前面已经有太多人测过了。
注意：这篇论文没有逐一复现 316 个因子然后宣布”多少个是真的”。它提供的是一个统计框架和批评工具，指出大部分发表因子的显著性标准不够严格。
真正做逐一复现的是 2020 年另一篇论文。俄亥俄州立大学的 Hou、Xue 和 Zhang 花了近 三年时间，在 The Review of Financial Studies 发表了 452 个因子的逐一复现研究（Replicating Anomalies）。
来源：Hou, Xue & Zhang (2020), The Review of Financial Studies, 33(5), 2193-2244. 因子数为发表版 452 个（SSRN 工作论文版为 447 个）。
结果：
- 控制微盘股后（NYSE 断点 + 市值加权），65% 的因子无法通过 t > 1.96
- 按 Harvey 等人建议的 t > 3.0 标准，约 84% 不显著（380/452）
- 失败名单包括很多知名因子：短期反转、特质波动率、Amihud 非流动性……
来源：原文摘要 “65% of the 452 anomalies…cannot clear the single test hurdle of the absolute t-value of 1.96”。
452 个因子逐一复现，严格标准下约 84% 不显著。你能叫出名字的因子，大部分经不起认真检验。
也有更乐观的结论。2023 年，The Journal of Finance 发表了 Jensen, Kelly & Pedersen 的研究，用贝叶斯模型校正后，153 个因子的复制率约 83.2%。但关键是：这 153 个因子可以被归为 13 个核心主题（价值、动量、质量、规模、盈利能力等）。
来源：Jensen, Kelly & Pedersen (2023), The Journal of Finance, 78(5), 2465-2518.
市场上不是有几百个不同的因子。是十几个核心因子被反复包装成了几百个”新发现”。
发表即死亡：因子公开后发生了什么？
如果因子是真的，公开后会怎样？
2016 年，McLean & Pontiff 在 The Journal of Finance 发表了这篇论文：“Does Academic Research Destroy Stock Return Predictability?”
来源：McLean & Pontiff (2016), The Journal of Finance, 71(5), 1885-1923.
研究设计很直接：97 个已发表的横截面收益预测因子，分三个时期比较——
| 时期 | 平均收益变化 |
|---|---|
| 样本内（原研究期间） | 基准 |
| 样本外（发表前） | -26% |
| 发表后 | -58% |
因子一旦发表，收益下降 58%。聪明钱涌入，超额收益被吃掉。
来源：原文摘要 “out-of-sample returns are 26% lower…post-publication returns are 58% lower”。
更细致的发现：
- 样本内收益越高的因子，发表后衰减越厉害（交互项系数 -0.653，高度显著）
- 套利成本越低的股票，因子衰减越快（对冲基金更容易套利）
- 套利成本高的因子（高特质风险、低流动性）衰减较少
这个结论在美国成立，但在全球并不一致。2020 年，Jacobs, Hegele & Zhang 在 Journal of Financial Economics 发表了 39 个市场的 241 个因子的研究（Anomalies Across the Globe）：
来源：Jacobs, Hegele & Zhang (2020), Journal of Financial Economics, 137(3), 1111-1137.
关键发现：美国是唯一出现可靠发表后衰减的市场。 国际市场的综合回归系数为 +0.132（t = 1.88），发表后没有显著衰减。只有美国：发表后等权组合衰减 -62%，市值加权衰减 -66%。
发表后衰减不是全球现象。美国衰减最严重，国际市场几乎不受影响。这暗示美国的量化套利生态最为发达，因子被消化的速度也最快。
2025 年，Gonçalves, Loudis & Ogden 进一步确认：发表后，异常策略的平均 alpha 接近零。
来源：Gonçalves, Loudis & Ogden (2025), “Out-of-Sample Alphas Post-Publication”, SSRN. 限定条件：使用发表前数据做样本外最优权重估计时。
2026 年，Ivković & Zekhnini 的工作论文揭示了一个更精确的机制：
来源：Ivković & Zekhnini (2026), “Publication Effect: Accelerating Anomalies”, working paper.
- 发表前：异常信号产生渐进式的价格漂移
- 发表后：价格调整在几天内完成，呈阶跃函数模式
发表不只是降低了 alpha 的幅度，还改变了 alpha 被消化的方式——从几个月的渐进漂移，变成几天内一步到位。
AI 在加速消亡
如果说学术发表在杀死因子，那 AI 就是在加速这场屠杀。
2026 年的一篇 arXiv 论文（AI-Driven Alpha Decay）分析了 9950 万条机构持仓记录，覆盖 10,957 个机构。
来源：arXiv:2605.23905 (2026). “The underlying 13F universe comprises approximately 99.5 million position-level holdings from 10,957 institutional managers.”
核心数据：
- 信号半衰期：AI 采用前 5-7 年 → AI 采用后（当前 AI 采用率 ≈ 70%）18 个月
- AI 基金持仓趋同度十年上升 42%
来源：原文 “At current adoption levels (ϕ≈0.7, ρ≈0.6), the model implies signal half-lives of 18 months versus 5-7 years pre-AI”；“portfolio convergence increases by 42% over the sample period”。
论文提出了一个数学公式：
信号半衰期 h(ϕ) = ln2 / [θ + δ(ϕ)]
- θ = 自然均值回归速率
- δ(ϕ) = AI 加速衰减项
论文还发现了一个”信号灭绝级联”效应：当 AI 采用率超过临界阈值后，一个信号类的消亡会加速剩余信号的竞争——因为资金从死掉的信号涌向还活着的信号，更快地把后者也压到失效。
红皇后悖论：AI 采用率 → 100% 时，净 alpha → 0。所有人都在跑，停留在原地等于后退。
这不是理论推演。2026 年 1 月，Bloomberg 报道：美国量化基金前两周亏损 2.8%（UBS 估算），系统性多空策略遭遇三个多月来最差表现。Goldman Sachs 归因于拥挤头寸平仓。这已经是连续第三次——2025 年夏季、2025 年 10 月、2026 年 1 月。
来源：Bloomberg, 2026 年 1 月 21 日, “Quants in Worst Drawdown Since October as Crowded Bets Buckle”.
参与者在变，制度在变
这引出了一个更根本的问题。
因子衰减不是”因子本身有问题”。是使用因子的人在变，规则在变，环境在变。
参与者结构变了。
1990 年代，散户占交易量的绝大部分。2026 年，量化交易占美国股票交易量的 60-70%。你面对的对手从”看 K 线的小散”变成了”有几千台服务器的文艺复兴”。同样的贪婪和恐惧，在量化对手面前表现完全不同。
来源：Paper Trading Journal (2026) “roughly 60-75% of trading volume in major equity markets”；多个行业报告一致确认约 70%。
制度变了。
A 股从 T+0 到 T+1，从无涨跌幅限制到 10% 再到 20%。每一次制度变化，都改变了因子的生存环境。T+0 时代的日内回转因子，在 T+1 下直接失效。
宏观制度变了。
Robeco 的 David Blitz (2020) 发表了一篇题为 “Factor Performance 2010-2019: A Lost Decade?” 的研究，指出 2010-2019 年是因子的”迷失十年”。Fama-French 五因子模型在这十年期间平均回报为负。价值因子经历了最长的一次回撤。动量因子在多个时点出现严重崩溃。不是因子不 work 了，是这个十年不适合这些因子。
来源：Blitz (2020), “Factor Performance 2010-2019: A Lost Decade?”, SSRN 3562242. Robeco 官网原文：“2010 to 2019 was a lost decade for the Fama-French factors”。
2026 年，Alexander & Fabozzi 在 The Journal of Portfolio Management 提出了一个新指标：MRP（Minimum Regime Performance）——策略在所有历史市场制度中的最差表现。
来源：Alexander & Fabozzi (2026), “Measuring Strategy-Decay Risk”, The Journal of Portfolio Management, 52(3). arXiv:2604.08356.
发现：
- “债务发行因子”全样本 Sharpe = 1.14，MRP 仅 -0.05
- “投资因子”全样本 Sharpe = 0.45，MRP = -1.01
- 只有”质量”因子维持了正 MRP（0.06）
来源：原文 Table 数据。
回测中 Sharpe 最高的策略，在制度切换时跌最惨。平均效率和跨制度耐久性不可兼得。
同样的因子，在”对的”制度下有效，在”错的”制度下失效。而制度切换你无法预测——如果有谁能预测，他就不需要因子了。
因子拥挤的分化。
Baltas (2019) 在 Financial Analysts Journal 发表的研究发现了一个重要的区分：
来源：Baltas (2019), “The Impact of Crowding in Alternative Risk Premia Investing”, Financial Analysts Journal, 75(6).
- 趋同因子（有基本面锚的因子）：拥挤后反而跑赢
- 发散因子（无基本面锚的因子，如 equity low beta）：拥挤后显著跑输（t = -8.41）
来源：原文 “for the annual horizon, these t-statistics are −8.41 for equity low beta, −5.14 for equity quality”。注意：原文中 t = -8.41 对应的是 equity low beta 因子，而非动量。
同样的资金涌入，对不同因子的命运完全不同。机制决定了归宿。
2025 年的 arXiv 论文（Not All Factors Crowd Equally）进一步发现：机械型因子（动量等）有清晰的衰减模式（动量呈双曲衰减，R² = 0.65），而判断型因子（价值、质量）不符合衰减模型——因为后者需要人类判断，不容易被机器复制。
来源：arXiv:2512.11913 (2025). “Momentum exhibits clear hyperbolic decay (R²=0.65)“。R² = 0.65 特指动量因子，机械型因子平均 R² = 0.37。
那怎么办？
既然因子会失效，有没有好的应对方案？
学术界和实践界提出了六大方向。逐一介绍，带数据。
方案一：多因子分散——不押注单一因子
最被验证的方案。
Robeco (2023) 发表了一篇题为 “A Prudent Route to Effective Factor Timing” 的对比研究：
来源：Robeco (2023), A Prudent Route to Effective Factor Timing. PDF: robeco.com/docm/docu-202307-a-prudent-route-to-effective-factor-timing.pdf
| 策略 | 年化超额(净) | IR | 最大回撤 | 换手率 |
|---|---|---|---|---|
| 等权多因子 | 4.37% | 1.11 | -13.46% | 10% |
| 因子动量择时 | 4.29% | 1.07 | -14.85% | 97% |
| 因子估值择时 | 3.64% | 0.92 | -14.91% | 351% |
| 完美预见 | 6.62% | 1.68 | -7.83% | 333% |
注意这行：完美预见（上帝视角，知道未来哪个因子好），IR 也只有 1.68。
因子择时的天花板很低。连上帝都只能做到 IR 1.68，你凭什么觉得自己能择时？
AQR 创始人 Cliff Asness (2016) 更直接：“The Siren Song of Factor Timing”——因子择时是塞壬的歌声，听起来美好，实际上是陷阱。他的建议：保持被动暴露，小幅度调整或不调整。
来源：Asness (2016), “The Siren Song of Factor Timing”, SSRN 2763956.
多因子分散是成本最低、最被验证的方案。
方案二：制度识别——知道当前在什么”季节”
用统计模型识别当前市场制度，动态调仓。
Shu & Mulvey (2025) 在 The Journal of Portfolio Management 发表研究，用稀疏跳跃模型（SJM）识别每个因子的牛熊制度，结合 Black-Litterman 模型。信息比率（IR）从等权基准的 0.05 提升到约 0.4。
来源：Shu & Mulvey (2025), “Dynamic Factor Allocation Leveraging Regime-Switching Signals”, The Journal of Portfolio Management. arXiv:2410.14841.
Yu, Mulvey & Nie (2026, JPM) 进一步用跳跃模型 + XGBoost 做制度预测，1960-2024 年回测显著跑赢。
问题在于：样本内效果好，样本外预测力存疑。 如果制度识别真的有效，因子择时的天花板就不会只有 1.68。
方案三：因子动量——让因子自己说话
不看宏观，直接看因子最近表现好不好。
Ehsani & Linnainmaa (2022) 在 The Journal of Finance 发表研究，发现动量不是一个独立的因子，它聚合了所有其他因子的自相关性。因子平均收益：亏损年后 6 个基点，盈利年后 51 个基点。
来源：Ehsani & Linnainmaa (2022), “Factor Momentum and the Momentum Factor”, The Journal of Finance, 77(4), 2091-2144. 正式发表版数据。NBER 工作论文版（2019）为 1bp/53bp。
但 Robeco 实测：因子动量择时年化超额 4.29%，略低于等权多因子 4.37%。换手率却从 10% 飙升到 97%。
因子动量真实存在但幅度有限，扣除交易成本后优势不明显。
方案四：最优再平衡频率——匹配因子的半衰期
这是我见过最实用的方案。
Flint & Vermaak (2023) 在 The Journal of Portfolio Management 发表了 “Factor Information Decay: A Global Study”，引入了 **“因子半衰期”**概念——因子暴露衰减一半所需时间。研究了 5 个因子、12 个市场。
来源：Flint & Vermaak (2023), “Factor Information Decay: A Global Study”, The Journal of Portfolio Management. SSRN: 3986499.
各因子的最优再平衡频率（基于全球半衰期分布的下四分位数）：
| 因子 | 衰减速度 | 最优再平衡频率 |
|---|---|---|
| 价值 | 最慢 | 3-4 个月 |
| 低波动 | 慢 | 5-6 个月 |
| 质量 | 中等 | 4-5 个月 |
| 动量 | 快 | 3 个月 |
| 投资 | 最快 | 1 个月 |
来源：原文 “the information-optimal rebalance period is 3-4 months for Value, 5-6 months for Low Volatility, 4-5 months for Quality, 3 months for Momentum, 1 month for Investment”。
投资因子的暴露衰减最快，需要月度再平衡。价值因子最持久，季度再平衡就够。
一刀切的再平衡是次优的。匹配因子的天然衰减速度，是最简单有效的操作优化。
方案五：策略容量管理
每个策略都有容量上限。超过后，市场冲击吃掉 alpha。
Smart Beta ETF 在 2021 年前后规模达到约 1.2 万亿美元（ETFGI 数据）。这么多钱挤在几个因子里，不衰减才怪。
来源：ETFGI 数据，2021 年底 Smart Beta Equity ETF 约 $1.2-1.3 万亿。
但对于个人交易者或小资金，容量不是问题。这是你的结构性优势——你不是那种会”把因子吃到失效”的资金体量。
方案六：替代数据和 AI
根据行业研究（Lowenstein Sandler 2025 调查），89% 的机构投资者已在使用 AI 系统做投资研究，替代数据市场竞争日趋激烈。
来源：Lowenstein Sandler (2025), “AI’s Integration Into Alternative Data Fuels New Opportunities and Challenges”.
卫星图像、社交媒体情绪、信用卡交易数据、供应链数据……新数据暂时能产生 alpha。
但问题是：新 alpha 也会衰减。 一旦公开或被大规模采用，替代数据也会变成传统因子。
回到红皇后悖论：替代数据能暂时获得 alpha，但不能解决衰减。因为所有人都在跑。
六大方案评估
| 方案 | 效果 | 成本 | 可操作性 | 解决根本问题？ |
|---|---|---|---|---|
| 多因子分散 | ✅ 高 | 低 | ✅ 高 | 降低影响，不解决 |
| 制度识别 | ⚠️ 中等 | 中 | ⚠️ 样本外存疑 | 理论上可以 |
| 因子动量 | ⚠️ 有限 | 高 | ✅ 高 | 不解决 |
| 最优再平衡 | ✅ 高 | 低 | ✅ 非常高 | 优化持有，不解决 |
| 容量管理 | ✅ 对大资金 | 低 | ✅ 高 | 大资金有效 |
| 替代数据/AI | ⚠️ 暂时 | 高 | ⚠️ 门槛高 | 新 alpha 也衰减 |
最后
没有任何方案能”解决”因子衰减。
因子衰减是市场有效性的体现。聪明钱发现超额收益 → 涌入 → 收益被吃掉 → 寻找下一个超额收益。这个循环不会停止，也不应该停止——如果停止了，说明市场彻底失效了。
能做的是管理衰减的影响：
多因子分散是最被验证的方案，成本低、效果好。
匹配再平衡频率是最实用的操作优化。
控制规模是大资金的必修课，小资金反而是优势。
持续进化是核心态度。昨天 work 的因子，今天不一定 work。今天的因子，明天也不一定。唯一的”不变”就是一切都在变。
回测是下限，不是答案。因子是工具，不是信仰。市场是活的系统，参与者在学习、在适应、在互相蚕食。固守”人性不变所以策略不变”的想法，是刻舟求剑。这个市场中不存在不变的圣杯。
💼 AI 量化培训 · 策略生成 · 代码代写 —— 微信
traderByAI联系。
