在量化选股中，因子是指“对个股收益不同有解释作用的特征”，能够解释投资组合的 利润或帮助进行资产定价。因子的有效性主要看预测能力。一个因子被验证为有效，是在某历史时间段内的数据所显现出来的规律，其实不意味着该规律在将来的市场中可以持续有效。
因子的种类很多，不同类别的因子能从不一样的维度对个股收益不同进行解释。在量化选股模型中，一般可分为“风险因子”与“阿尔法因子”：前者更强调风险来源，解释能力还是很强，但已经缺乏预测能力；后者更强调回报来源，更重视是否能预测未来个股相对收益。
风险因子早期也属于阿尔法因子，只不过很早就被学术界挖掘并公开发表论文，尤其在美股，其收益风险比快速下降。但这些因子还是能够解释很多收益，只是预测能力几乎消失，所以被称为“风险因子”。常见的危险因子包含市值、PE、市净率、流动性、残差波动率等。
“阿尔法因子”一般指能较为正常贡献逾额收益的该类因子，其构建相对较为复杂，或数据来源比较独特。一般来说每家机构的阿尔法因子都有所不同，显现低相关性。按数据来源，阿尔法因子可分为价量因子、基本面因子、事件驱动因子、另类数据因子等。
以美股为代表的海外市场和A股市场在运行机制、发展阶段、投资者结构、融资成本及约束等方面都存在较大不同，因而在如何处理阿尔法因子和风险因子方面有所不同。好比海外量化产品以“市场中性+杠杆”为主，考量到风险因子通常会造成较大波动但不能同时造成明显收益，所以资管机构在建模进程中会尽量减少风险因子的袒露；国内量化产品中则是各类量化多头产品线规模占比最高，对多头产品而言，放开风险因子约束并未明显增加净值波动，严控风险因子反而会对阿尔法因子的施展有一定制约。
从A股主流量化机构的逾额数据分析可知，去掉交易量、波动率、离散度等影响量化逾额的共同因子后，各家机构的逾额相关性其实不高，更不存在所谓的“因子同质化”。当然，量化私募管理人仍需持续开发和丰富底层因子，提升策略进化效率和加深对市场的领会，在投资组合层面持续优化模型，挖掘培养优秀人才。