量化交易中，“因子”一词的出现频率很高，但它指向的并不是某种高深的数学对象。更准确的理解是：因子是把一个关于资产收益的判断角度，翻译成可计算、可检验的变量。同一片市场，有人看估值，有人看动量，有人看资金流向——当这些“看法”被写成公式、跑过数据、经过统计检验之后，就成为一个候选因子。因子的价值不在于数量，而在于它是否在样本之外仍然携带信息，以及这种信息是否有一个说得通的来源。
一、因子的两个基本分类维度
在讨论“怎么挖”之前，先要厘清挖出来的东西属于哪一类。量化选股模型中通常区分风险因子与阿尔法因子：前者解释收益中与市场风格或宏观暴露相关的部分，后者追求扣除这些暴露之后仍然存在的超额收益。
阿尔法因子又可进一步分为价量因子、基本面因子、事件驱动因子和另类数据因子等。这个分类看似只是命名，实际上决定了后续检验方式的不同：价量因子更依赖高频数据质量和微观结构逻辑，基本面因子受财报频率和会计口径的约束，另类因子则首先需要回答数据本身是否具有稳定覆盖和可重复获取性。
一个容易被忽略的事实是，因子的“供给”在今天已经不构成瓶颈。公开因子库的规模以百计，自动化工具可以在较短时间内生成上千个候选表达式。有资产管理机构的量化负责人曾提出一个判断：量化行业的主要矛盾已经从“缺乏因子”转向“缺乏因子的甄别”。换句话说，挖掘的难点不在“生成”，而在“留下什么、丢弃什么”。
二、挖掘链条：从假设到入库
一条相对完整的因子挖掘链条，大致可以拆为五个环节，每个环节都在回答一个不同性质的筛选问题。
第一步是假设先行，而非公式先行。一个值得进入检验的候选因子，应该先有一个关于“为什么可能存在定价偏差”的判断，再去找数据表达。行为金融中的反应不足、微观结构中的流动性补偿、会计信息扩散的时滞，都可以成为假设的来源。反过来，先跑遍历搜索、再从显著结果中“事后编故事”，是过拟合最典型的入口。
第二步是单因子统计检验。核心指标是信息系数（IC），即因子值与未来一期收益率的截面相关系数。一个常见的经验观察是，IC的绝对值在0.03至0.05区间已具备一定的边际信息含量，但这一水平高度依赖股票池、频率和市场状态，不能当作通行阈值。分组回测的多空收益单调性比单一的IC数值更能揭示因子的实际行为：如果收益随因子值分组呈现有序变化，因子至少捕捉到了一种排序信息，而不仅仅是一个统计噪声。
第三步是正交化与增量判断。新因子与已有因子之间的相关性，决定了它是提供了新信息，还是仅仅是旧因子的一个变体。公开的AI辅助因子挖掘研究在报告候选因子时，通常会同时给出内部相关性和相对基准因子库的增量IC：有研究显示，部分生成因子的全区间|RankIC|均值接近7%，相对常见量价因子库的平均增量IC在2%至3%之间，说明它们在既有量价信息之外仍有边际解释力。增量IC为负或接近于零的候选，即使单因子IC不低，在组合中的实际贡献也可能有限。
第四步是样本外与稳健性检验。训练集上的表现只说明因子“曾经有效”，样本外检验回答的是它是否可能“继续有效”。较审慎的做法包括：滚动窗口的walk-forward检验，观察IC在不同市场状态下的方向一致性；参数邻域内的绩效分布，判断最优结果是“高原”还是“尖峰”；以及跨股票池的迁移测试。有公开实验显示，在沪深300上挖掘的因子迁移至中证500和海外主要宽基指数时，数年累计超额分别可达约40%和19%，但同一实验基准配置下的年化收益约为4.7%、最大回撤约为11.8%，提示迁移有效性与收益水平需要分开看待。
第五步是经济逻辑与风险暴露审查。一个在统计上过关但无法解释“钱从哪里来”的因子，在样本外失效的概率通常更高。有机构将这一层审查制度化为“四道验收门”——逻辑门、样本门、交易门、风险门：逻辑门审视经济含义，样本门检验极端状态，交易门评估换手和冲击成本能否承接，风险门排查单一风格过度暴露。这一步的意义在于把“统计显著”与“可部署”区分开来。
三、过拟合：挖掘过程中最需要制度性防范的对手
因子挖掘的每一个环节都暴露在过拟合之下，而AI工具的普及放大了这一风险。搜索空间越大、尝试次数越多，纯靠偶然“发现”显著关系的概率就越高。自动化生成方法仍可能在较大搜索空间中挖掘到偶然有效的历史模式。这不是对工具的否定，而是对流程设计的提醒：多重检验校正、独立的样本外留出、对参数敏感性的预先设定，这些“笨办法”比追求更复杂的生成算法更能决定最终入库因子的质量。
因子挖掘的产出，不应以“跑了多少个候选”来衡量，而应以“有多少个候选在样本外、扣除交易成本之后、面对风格切换时仍然站得住”来衡量。这个标准并不新颖，但在生成能力大幅提升的环境里，它比以往任何时候都更需要被当作纪律来执行。