最後聊聊我看完 Sloan (2019) 的感受。
我猜有些小夥伴會認為 Sloan (2019) 僅使用了很少的例子（原文中用了兩個 case studies；本文介紹了 BIG5 這一個）說明基本面分析的價值並「否定」因子投資不足以令人信服。畢竟，基本面投資的「因子化」和基本面分析的使用者所具備的 skill sets 不同。
對於普通投資者，正因為不具備專業金融分析師的基本面分析能力，才使用因子投資；而使用 value、quality 這些風格因子的目標是以概率取勝。換句話說，也許使用有限個因子挑出來的個別股票並不靠譜（比如上面的 BIG5），但只要控制好倉位，讓選出的標的足夠分散，那麼還是能夠依靠概率優勢和大數定律獲得長期的風險溢價。
長久以來，學術界的一種主流觀點是：由於有限套利，市場並非完美有效；而定價錯誤的大小應剛好等於通過基本面分析（以發現該定價錯誤）的套利成本。而顯然，使用一些廣為人知的因子來實現基本面量化投資並沒有套利成本，所以因子投資者應該對它能夠取得的效果有正確的認知。就因子投資的效果來說，樣本內的過度挖掘以及樣本外的過度擁擠都會對其產生很大的負面影響；基本面投資的「因子化」並不等同於基本面分析。
我想，這才是 Sloan (2019) 呼籲重新重視基本面分析的初衷。在 Security Analysis 中，Graham 和 Dodd 就曾明確的指出投資者不應僅僅依靠幾個量化的指標來制定其投資決策，而是應該進行全面系統的基本面分析。
當然，這不意味著量化和基本面分析不能結合。
隨著近幾十年投資學作為一門獨立學科高速發展，數量化的觸角已經滲透到投資流程的方方面面，如今可以說是無量化不投資。時至今日，廣義的量化投資已經發展成為基於現代科學方法的理論體系、研究方式以及工程系統的總和。因此，基本面分析和量化投資的合二為一註定會發生。當前基於因子的基本面量化投資只是一個過渡，而這二者的最佳結合應是使用量化的手段來高質量、低成本的複製優秀基本面分析師對於財務報表勾稽關係的解讀。當然，這絕不容易。
在現階段，如何有效的利用基本面分析來提升因子投資的效果呢？主要有以下兩個途徑。
首先，利用會計學知識可以加工因子。舉一個最簡單的例子。Return on Total Assets（ROTA）是一個常用的指標。根據定義，它可以分解為：
上式左側正是 ROTA。在上式右側，它被分解為兩部分的乘積。其中右側第一項是 net profit margin，代表了公司的效益（effectiveness）；第二項是 total asset turnover，代表了公司的效率（efficiency）。ROTA 的高低由 effectiveness 和 efficiency 兩要素決定。比起單一要素帶來的高 ROTA 而言，當效益和效率都很高時，這個公司更有可能是優秀的公司。從這個猜想出發可以把 ROTA 因子改進分解成這兩部分的組合，並以這兩部分的綜合評分來選股，以此和單純使用 ROTA 選股進行對比。下表給出了在中證 500 指數上的效果。
結果顯示，ROTA 分解後，純多頭組合的夏普率較單純使用 ROTA 而言從 0.62 上升至 0.67。利用簡單的會計學知識就有可能改進一個常見的因子並取得更好的風險收益特徵。再次強調的是，這僅僅是一個 toy example；基本面分析在因子的改造中能夠發揮更大的作用。
利用會計學知識和基本面分析的第二個重要作用是識別財務造假。無論是 Enron 的偽造收入，還是 WorldCom 的偽造利潤和現金流，都可以從它們財務報表中尋覓出蛛絲馬跡。會計學領域有很多經典著作揭示了財務欺詐的常見方法，非常值得學習。具備專業的基本面分析知識對於因子投資中的排雷至關重要。對於這方面的例子，可以參考申萬宏源曹春曉分析師的報告《財務造假啟示錄：財務質量因子研究》；RiceQuant 對該研究也進行過復現（連結在此）。
基本面分析關心的本質是對公司未來現金流的預測。基於因子的基本面量化投資有其無可替代的優勢，但僅依賴有限的財務指標所關注的仍然只是已經發生的過去。唯有以量化的手段進行基本面分析才有可能更好的預測未來。對於因子投資來說，科學、嚴謹的基本面分析將會持續創造價值。
放眼未來，量化和基本面分析的緊密結合將是大勢所趨；而就目前來看，基於因子的基本面量化投資並非基本面分析的完美替代，一如 Sloan 教授在 Fundamental Analysis Redux 一文最後所說的那樣：