一张给五千只股票的评分卡
上一章讲因子是零件。这一章看整台机器：一家量化股票基金，从收盘到下单，中间到底发生了什么。我们以最常见的「多因子选股」为例，把它拆成四道工序。你会发现，整套流程本质上就是一张巨大的、自动更新的评分卡。
第一道：打分
每天收盘后，系统给市场上五千只股票的每一只，在几十个因子上各算一个分数：市盈率排在前 10% 得高分，过去半年动量强得高分，盈利质量好得高分……然后把几十个因子分按权重加总，得到一个总分。
这一步有两个不显然的细节。
一是分数必须在可比范围内比。银行的市盈率天然比科技公司低，如果全市场直接比市盈率，模型会把科技股全扔了、满仓银行股——那不是在选「便宜」，是在选「行业」。所以打分前要做中性化：大白话是「只在同类里比」，银行股跟银行股比便宜，科技股跟科技股比便宜，剔除行业和市值这些会把分数带偏的因素。
二是因子权重不是拍脑袋，是回测出来的。价值因子给 30% 还是 15% 的权重？答案是：拿过去十几年的历史数据，模拟各种权重组合的表现，选那个历史上又稳又赚的。这就是回测——让策略假装活在过去，看它会赚会亏。回测是量化的心脏，也是它最大的自欺工具，第九章讲机器学习时我们会看到它能多骗人。
第二道：排队与圈定
总分出来后，五千只股票从高到低排成一队。规则很简单：买排在前面的（比如前 300 名），不碰中间的，有卖空条件的市场还可以做空排在最后的。
注意这里和传统选股的根本区别：传统基金经理是「找到几家我懂的好公司」，量化是「让全市场比一次武，取前若干名」。它不研究任何一家公司的故事，甚至不知道持仓里那家公司在哪个城市。它买的是统计规律本身。
第三道：过一遍风险筛子
如果只按分数买前 300 名，很容易买出一个畸形的组合——比如碰巧全是一个行业的，或者全是暴涨暴跌型的小票。分数高的代价可能是风险失控。
所以组合还要过一道风险模型的筛子（业界最有名的是 Barra 模型，2010 年代被 MSCI 收购，几乎是行业标准）。风险模型干的事是：提前算出「这个组合会因为什么而大幅波动」——行业暴露过多、市值太小、对利率太敏感……然后优化器在「总分尽量高」和「风险暴露不超标」之间做权衡，给出最终的持仓清单和每只股票买多少。这门手艺叫组合优化，本质是个带约束的数学题：在几百条限制下，让预期分数最大化。
第四道：算账，然后才下单
清单出来后还有最后一道关：交易成本。第三章说过，成本是会吃人的。每次调仓都要付佣金、印花税（中国市场有），更要命的是冲击成本——你买得多了会把价格自己买上去。如果这次调仓预期多赚 0.3%，但成本要吃掉 0.5%，那就不动。
所以实际执行的不是「目标清单」，而是「值得换仓的那部分差额」。很多量化基金一天只换掉组合的百分之几，整个组合像一条船缓慢转向，而不是每天推倒重来。
整个流程，人只在两头
把四道工序连起来：数据进来 → 打分 → 排队 → 风险筛 → 成本筛 → 订单出去。中间全自动，每天（或每周）跑一遍。人在哪里？在两头：前端设计因子和规则，后端盯着风控仪表盘。就像航空公司的飞行员——巡航阶段自动驾驶，人负责设定航线和在警报响时接管。
这套流程放到 A 股，就是你在银行 App 里能买到的「中证 500 指数增强基金」：在跟踪指数的同时，用多因子评分卡在同指数股票里做超配低配，目标每年比指数多赚几个点。这是量化在中国最主流、也最亲民的形态。
这一章的要点：多因子模型没有玄学，就是「打分、排队、筛风险、算成本」四道工序的自动化。它的力量不在任何一道聪明，而在整套流程对五千只股票每天执行、不走样、不闹情绪。
但「评分卡」赚的还是「好股票涨得多」这种和涨跌同方向的钱。量化还有一类更狡猾的玩法：不赌涨跌，专赚「定价错了」的钱——同一个东西在两个地方卖两个价，或者两家命运相连的公司价格走岔了。这就是套利，下一章讲。