① 为什么运用因子分析的方法做投资价值的研究
行业的市场表现受到宏观经济、行业经营周期、行业基本面以及市场本身等因素的影响，行业多因子模型就是通过对这些因素进行量化描述，分析其与行业市场表现的相关性，提取若干具有显著影响的因子构建行业投资价值的分析评估体系。
经济增长、商业周期、通货膨胀、预期收益率等宏观行业因素对各个行业产生不同的影响。周期性行业对于经济增长、货币信贷的敏感性强于消费型行业；成长型行业对于市场预期收益率的敏感性高于收入或价值性行业；可选消费行业对于通货膨胀的敏感度高于必需消费行业。宏观行业指标数据的统计口径往往在表征基本面运行状态上考虑得更多，而对于投资来说这些数据需要进行处理，排除干扰分离出更为有用的信息，或者将数据组合起来进行观察。比如，货币供应量M2和M1的剪刀差反映了货币的活化程度；PPI和原材料购进价格之间的剪刀差反映了制造业盈利空间的变化；原材料库存和产成品库存之间的剪刀差又反映了库存周期缺口等等。国际上著名的宏观因素模型BIRR模型中的宏观指标都经过符合逻辑的处理与调整，用公司债与政府债的息差反映市场的风险偏好，用长期政府债与短期国债的息差反映投资者预期收益率。
受宏观经济周期和产业周期的影响，行业的发展态势不仅反映在成长速度、盈利能力、运营能力、收益质量等基本面指标上，还反映在分析师对行业成份公司的预期和市场估值层面，并最终体现在市场价格上。需要通过对行业的财务指标、市场预期、估值水平等因素的综合分析，寻找行业的投资机会。通常情况下，预期增长快的行业处于行业景气向上的周期中；毛利率高的行业占据着产业链中的优势地位，具有较高的议价能力；周转率较高的行业具有较高的资源使用效率。这也反映了公司经营最关键的因素，即量、价和速度。在过去的几年里，白酒行业从营收增长到毛利率，再到净资产收益率的平均水平都高于多数其他行业，二级市场股价表现持续超越大盘。行业的基本面因素情况决定了行业中长期的市场表现，行业的估值水平则是影响行业短期表现的重要影响因素。由于行业收益的高低以及弹性特征不同，各行业的平均估值水平和波动幅度有着固有的差异，降低行业间固有差异的干扰后，有助于帮助投资者把握短期行业的市场表现。
投资者经常说“强者恒强”和“皮球从高处落下总要弹几下”，分别对应的是量化投资领域中的动量和反转两种不同股价运行模式。在行业层面，看似矛盾的动量与反转效应普遍存在，并对应着不同的市场运行逻辑：宏观及行业周期是行业基本面变化的主要推动因素，因此行业的市场表现具有较强的持续性；在行业投资中也经常遇见先期跌幅较大的行业未来一段时间有相当的涨幅。这种动量和反转效应还夹杂着整个宏观经济冷暖导致的股市整体表现，将将市场整体波动从行业层面剥离，行业之间的动量和反转效应更为明显。
行业多因子模型的关键在于因子的选择，不仅需要有普适的逻辑关系，还要有对指标的含义进行深度解读，更要使用合适的数学方法进行规整，才能从繁杂的影响因素里发现市场的规律，分析行业投资价值，制定更为客观可靠的投资决策。
② 因素分析就是因子分析吗
因子分析与因子分析法主成分分析通过线性组合将原变量综合成几个主成分，用较少的综合指标来代替原来较多的指标（变量）。在多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析法（Factor Analysis）就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。 例如，随着年龄的增长，儿童的身高、体重会随着变化，具有一定的相关性，身高和体重之间为何会有相关性呢？因为存在着一个同时支配或影响着身高与体重的生长因子。那么，我们能否通过对多个变量的相关系数矩阵的研究，找出同时影响或支配所有变量的共性因子呢？因子分析就是从大量的数据中“由表及里”、“去粗取精”，寻找影响或支配变量的多变量统计方法。可以说，因子分析是主成分分析的推广，也是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。因子分析主要用于：1、减少分析变量个数；2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。 1. 因子分析模型 因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。因子分析模型描述如下： ⑴X = (x1，x2，…，xp）￠是可观测随机向量，均值向量E(X)=0，协方差阵Cov(X)=∑，且协方差阵∑与相关矩阵R相等（只要将变量标准化即可实现）。 ⑵F = (F1，F2，…，Fm）￠ （m<p）是不可测的向量，其均值向量E(F)=0，协方差矩阵Cov(F) =I，即向量的各分量是相互独立的。 ⑶e = (e1，e2，…，ep）￠与F相互独立，且E(e)=0， e的协方差阵∑是对角阵，即各分量e之间是相互独立的，则模型： x1 = a11F1+ a12F2 +…+a1mFm + e1 x2 = a21F1+a22F2 +…+a2mFm + e2 ……… xp = ap1F1+ ap2F2 +…+apmFm + ep 称为因子分析模型，由于该模型是针对变量进行的，各因子又是正交的，所以也称为R型正交因子模型。其矩阵形式为：x =AF + e . 其中： x=，A=，F=，e= 这里， ⑴m ￡ p； ⑵Cov(F，e)=0，即F和e是不相关的； ⑶D(F) = Im ，即F1，F2，…，Fm不相关且方差均为1； D(e)=，即e1，e2，…，ep不相关，且方差不同。我们把F称为X的公共因子或潜因子，矩阵A称为因子载荷矩阵，e 称为X的特殊因子。 A = (aij），aij为因子载荷。数学上可以证明，因子载荷aij就是第i变量与第j因子的相关系数，反映了第i变量在第j因子上的重要性。
③ 因子分析的基本步骤
因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。因子分析的前提条件
由于因子分析的主要任务之一是对原有变量进行浓缩，即将原有变量中的信息重叠部分提取和综合成因子，进而最终实现减少变量个数的目的。因此它要求原有变量之间应存在较强的相关关系。否则，如果原有变量相互独立，相关程度很低，不存在信息重叠，它们不可能有共同因子，那么也就无法将其综合和浓缩，也就无需进行因子分析。本步骤正是希望通过各种方法分析原有变量是否存在相关关系，是否适合进行因子分析。SPSS提供了四个统计量可帮助判断观测数据是否适合作因子分析：
（1）计算相关系数矩阵Correlation Matrix
在进行提取因子等分析步骤之前，应对相关矩阵进行检验，如果相关矩阵中的大部分相关系数小于0.3，则不适合作因子分析；当原始变量个数较多时，所输出的相关系数矩阵特别大，观察起来不是很方便，所以一般不会采用此方法或即使采用了此方法，也不方便在结果汇报中给出原始分析报表。
（2）计算反映象相关矩阵Anti-image correlation matrix
反映象矩阵重要包括负的协方差和负的偏相关系数。偏相关系数是在控制了其他变量对两变量影响的条件下计算出来的净相关系数。如果原有变量之间确实存在较强的相互重叠以及传递影响，也就是说，如果原有变量中确实能够提取出公共因子，那么在控制了这些影响后的偏相关系数必然很小。观察反映象相关矩阵，如果反映象相关矩阵中除主对角元素外，其他大多数元素的绝对值均小，对角线上元素的值越接近1，则说明这些变量的相关性较强，适合进行因子分析。与方法（1）中最后所述理由相同，一般少采用此方法
（3）巴特利特球度检验Bartlett test of sphericity
Bartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identity matrix），如果是单位矩阵，则认为因子模型不合适。Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。一般说来，显著水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显著性水平很大（如0.10以上）可能表明数据不适宜于因子分析。
（4）KMO（Kaiser-Meyer-OklinMeasure of Smapling Adequacy）
KMO是Kaiser-Meyer-Olkin的取样适当性量数。KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。通常按以下标准解释该指标值的大小：KMO值达到0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。如果KMO测度的值低于0.5时，表明样本偏小，需要扩大样本。
④ 因子分析概念
在各个领域的科学研究中，往往需要对反映事物的多个变量进行大量的观测并收集大量数据，以便分析寻找规律。多变量大样本无疑会为科学研究提供丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在的相关性增加了问题分析的复杂性，同时对分析带来不便。如果分别分析每个指标，分析又可能是孤立的，而不是综合的。盲目减少指标会损失很多信息，产生错误的结论。因此需要找到一个合理的方法，在减少分析指标的同时，尽量减少原指标包含信息的损失，对所收集的资料作全面的分析。由于各变量间存在一定的相关关系，因此用较少的指标分别综合存在于各变量中的各类信息，这少数几个综合指标彼此不相关，即所代表的信息是不重叠的，通常称为因子，因子分析法因此得名。因此，因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法（于志钧等，1984；赵旭东，1992；陆明德，1991）。
因子分析方法由Spearman在19世纪初研究心理学问题时提出，1957年由Krumbein引入地质学，后来Imbrie对因子分析在地质学中的应用和发展做了大量工作。
因子分析可以从以下几个方面为地质研究提供帮助：①压缩原始数据。因子分析为众多复杂的地质数据精简提供了一种数学算法，它能在数量上大大精简原始数据但又不损失数据中包含的成因信息，这样就有利于地质人员进行综合分析。②指示成因推理方向。因子分析能够把庞杂纷乱的原始数据按成因上的联系进行归纳、整理、精炼和分类，理出几条客观的成因线索，为地质人员提供逻辑推理方向，启发思考相应的成因结论。③分解叠加的地质过程。现实中观测到的地质现象往往是多种成因过程叠加的产物，因子分析提供了一个分解叠加过程而识别每个单一地质过程的手段。
鉴于上述原因，因子分析在地学领域的应用十分广泛，已有效地应用于沉积盆地蚀源区的研究、沉积物的粒度分析、沉积相研究、地层分析、古环境与古生态的研究、石油及天然气成因研究、油田水化学研究、有机地球化学研究及石油、天然气化探资料分析等各个方面（曾溅辉等，2002；张俊，2005；陈科贵等，2006）。
⑤ spss因子分析在证券市场个股分析中的应用实例
spss因子分析用于证券市场个股分析中，因为因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。
康美药业投资分析
一、上市公司基本面情况：
600518康美药业,最新财务主要指标（08-09-30）每股收益(元)0.2390，每股净资产(元)3.5470，净资产收益率(％) 6.74，总股本(亿股)7.6440 ，实际流通A股(亿股)7.6440，每股资本公积1.843，主营收入(万元)130369.89，同比增 40.04% ，每股未分利润0.606 ，净利润(万元)18264.62，同比增 83.04%；
二、该股票的投资亮点：
1.2007年公司完成了阿莫西林分散片、利巴韦林片等多个再注册产品的研究开发和上报工作，部分仿制药品取得了《药物临床试验批件》；同时公司积极开发中药系列产品，完成了"代用茶"、"植物饮料"的备案号注册以及西洋参胶囊/饮料科技开发立项工作；"红景天"、"毒热平"两个中药新药品种已基本完成临床前研究工作。
2.2008年，随着国家卫生事业改革进一步深化，新农合、城镇职工基本医疗保险、城镇非从业居民基本医疗保险的进一步推广，整个医药市场容量将增大。人们在医疗尤其是在药品上的消费量和消费金额将迅速上升，这将对医药行业快速发展带来有利的影响。
3. 2007年公司中药饮片二期扩产项目顺利建成并试产运营，该项目是公司在传统中医药领域推广应用新技术，实现中药饮片规模化、标准化和产业化生产的一个重大成果。项目的投产缓解了产能紧张压力，保障了市场供给，进一步稳固了公司在国内中药饮片生产龙头企业的地位。
4.公司通过增资扩股募集资金投资中药物流配送中心项目，该项目是发挥公司中药产业的生产经营优势，整合当地中药材专业市场资源，为延伸公司产业链条而实施的一个重点项目。
三、专业投资机构意见：
公司主营业务中药饮片继续拉动公司业绩高速增长，2008 年三季度净利润增长83%，公司将全面布局全国性中药饮片产业链，行业整顿期利用并购稳健扩张，公司正在创建中药饮片行业的高质量标准体系，将发展为现代国内中药饮片龙头，预计公司未来三年复合增长率为40%，2008-2010 年EPS 为0.35，0.48，和0.80给予"增持"的投资评级。
四、综合分析判断结论：
从以上的信息可见康美药业作为国家中药制药的龙头企业，其股票是具有投资价值的，所以该股票后市看好，完全是可以长期投资的。
⑥ 因子分析方法
因子分析是一种多变量化简技术，目的是分解原始变量，从中归纳出潜在的“类别”，相关性较强的指标归为一类，不同类间变量的相关性较低，每一类变量代表了一个“共同因子”，即一种内在结构，因子分析就是要寻找该结构。其分析方法有很多种，最常用的有两种：一是主成分分析方法；另外一种是一般因子分析法。通常所说的因子分析指的就是一般因子分析法，它通过原始变量的方差去构造因子，一般情况下，因子的数量总是要少于变量的数量。所以对于一般因子分析而言，如何正确解释因子将会比主成分分析更困难。
因子分析一般可以分成四步：
考察变量之间的相关性，判断是否要进行因子分析；
进行分析，按一定的标准确定提取的因子数目，一般要求特征值大于1；
考察因子的可解释性，并在必要时进行因子旋转，以寻求最佳解释方式；
计算出因子得分等中间指标，供进一步分析使用。
利用因子分析，可以把搜集到的比较杂乱的原始数据进行压缩，找出最重要的因子，并对其按照成因归类、整理，从中找出几条主线，帮助分析充满度的主要控制因素。
本研究中共统计岩性圈闭354个，参与统计分析和计算的圈闭有249个。由于其中的落空圈闭无法参与因子分析及充满度预测模型的建立，因此实际参与分析和预测的岩性油气藏为222个。初步地质分析后，选取平均孔隙度，%；平均渗透率，10-3μm2；排烃强度，104t/km2；与排烃中心的平面距离，km；与排烃中心的垂直距离，m；地层压力系数；砂体厚度，m；砂体面积，km2；有机质丰度，%；围岩厚度，m；平均埋深，m；共11个地质参数进行因子分析。
本研究按不同的成藏体系进行，建立其充满度预测模型并进行回代验证。同一成藏体系内的岩性油气藏的生、储、盖、圈、运、保等成藏条件相互影响、相互制约，关系密切，将同一成藏体系中的岩性油气藏又分别划分为构造－岩性、透镜体油气藏进行预测。