关于分散化投资，学界和业界讨论得比较充分的都是基于单个证券的分散化投资。比如，我们可以通过配置更多的股票来实现降低投资组合风险的目的。当然，更进一步，我们也可以在大类资产端进行分散化投资，包括配置不同的证券类型（比如股票、债券、房地产）、不同的行业类别，甚至是不同国家发行的证券等，都是在资产端进行分散化投资的案例，其目的便是通过资产间的低相关甚至是负相关性来实现整体风险缓释的功能。

不过，似乎少有人提及因子的分散化投资。我想这里可能存在两个方面的原因，一是因子的计算相对要更复杂和专业一些，这就导致因子的分散化投资往往缺乏相对统一和标准化的解决方案，二是因子分散的效果通常来说都并不直观。但不得不说，因子分散在我们的日常工作和生活中却是非常常见的。比如我们在选拔考试中会更倾向于去选择各科目成绩都不错的综合型人才，而不是在各科目中分别挑选成绩最高的一小部分人，再组合在一起予以通过，这其实就考虑到了“各科成绩”这一篮子因子的分散化效果（极度偏科可能不利于未来学习和工作的展开），进而提炼出了“总分”这一综合指标。

而在投资领域，多因子模型就是对因子进行分散化的重要工具。我们不妨也将股票的因子数据看成不同科目的考试成绩，那么多个相关性比较低的因子叠加在一起也就类似于构建了一套综合的考评方案，进而避免挑选到一些极度“偏科”的个股。而从经验分析的结果来看，对股票进行综合打分的做法往往要显著强于按照不同因子分别打分再汇总各自股票名单的做法，即无论从收益还是风险维度来看，综合打分的做法都是相对更优的。这也是多因子模型能够广为传播的最为重要的一个原因。

究其原因，一方面是通过因子的有效分散能够显著降低因子组合的风险，另一方面则可能是受益于市场偏好，即市场同样会倾向于给综合实力更强的上市公司以更高溢价（上市公司更强的综合实力也往往意味着未来更强的盈利能力和抗风险能力）。当然，受限于一些数据的可获得性，多因子模型并不能完全反映一家上市公司的综合实力，但在有限的因子组合中进行分散也是很有帮助的。

最后，就像在股票中进行充分的分散化投资一样，如果在因子上进行充分的分散化同样会显著损害因子的阿尔法贡献，进而导致组合收益不断趋向于市场收益。因此，我们在进行因子的分散化投资时还需要管理好收益预期，力争在因子的收益和风险间取得最优权衡。