股市中持续盈利的方法：差强人意的历史纪录
在多因素模型的有效性背后有一个基本理念，即综合体大于组成部分。也就是说，整体比它的各个部分之和大。其逻辑是，F值或G值完成了一个优秀的股票分析师的工作，选出能够获得超过市场的超额回报率的股票。
股票分析师最重要的工作是选股，不同的分析方法会选出不同的个股。投资者要结合自身的条件，选出适合自己的投资品种。技术分析方面，比如，升势中的周期股，龙头股，强势上涨带大阳线的股票，这些都可以适当介入。基本面分析方面，例如，宏观经济改善，利率降低，通货膨胀初期，行业景气度高公司的运营能力好，这些都是买入的时机。技术分析和基本面分析结合使用，效果会更好。
人们对多因素模型的不满在于，他们往往是数据挖据的结果。在评分指标公布之前，没有人知道模型考虑了多少因素。此外，只有那些似乎有效的模型才会公布相关信息。
道琼斯策略是数据挖掘的结果。这一策略倾向于买入道琼斯工业平均指数中股息率最高的10只股票。股息率由期望股利支付除以股票价格来确定：股票价格越低，股息率越高。基本的逻辑是，股息率是价值的一个替代变量。道琼斯成分股中最高股息率的股票，就是呈现了最大价值的道琼斯股票。这一策略的历史分析很棒。不幸的是，如果你不是在年末而是在年中实施这一策略，你的回报率远没有那么高。如果投资组合在年末而不是年中构建，那么道琼斯策略有效。两者之间的差别毫无道理。最可能的是，这仅仅是数据挖掘的随机事件。
随机事件的一种最简单的检验方法是，看看这一策略在样本之外的数据中是否有效。这意味着，你要检验这一策略在构建之外的时期或者数据中是否能够继续表现良好。其一，在国际市场检验；其二，在模型构建期之外检验。
第一批多因素模型可能都受到了数据挖掘的困扰。比如，一个早期的多因素模型试图确定一家公司第二年创造显著利润率的可能性。数据显示，一种套期保值投资组合能够获得约12%的回报率，但当这种方法应用到另一个时期时，没有产生回报率，也就是说策略失效了。这一模型没有反映因果关系，仅仅呈现了一种统计关系。
