因子投资的崛起导致市场上出现了大量以财报报表中的会计指标构造的基本面因子为投资策略的基金，他们根据财务指标并且通过投资组合最优化手段，遵守固定规则选取股票，被视为继承了基本面分析的衣钵。同时SMART BETA ETF的产品也受到投资者的喜爱，进一步促进了基本面投资的“因子化”。量化手段确实提高了投资者系统性发现和利用市场无效性的能力，尤其对于发现并利用系统性的行为学偏差极有帮助，但仅仅利用财务指标因子化投资就是基本面分析的有效替代了吗？
        南加州大学的斯隆教授于去年底发表了一篇基本面分析的论文，对于这一现象发表了自己的观点。基本面因子确实是有效的，对很多成功的基金和投资者的业绩归因可以证明，类似于价值、质量等风格因子长期而言总是有风险溢价的，这一类因子总是能带来较稳定的风险回报。但为什么这几年的因子投资的业绩却不如人意呢？有三个因素造成了这一结果，一是数据挖掘（Data Mining），因子投资总是依赖于历史数据回测作为判断因子是否有效的手段，如果对于历史的数据进行大量的回测总是会发现某些策略可以产生高额的回报，但这些所谓的因子或异象只是数据挖掘的产物，挖掘到的数据关系并不具有逻辑相关性，仅仅是数据上巧合；二是竞争拥挤（Competition），因子在样本外的实盘表现往往不如样本内回测的效果，尤其是那些已经被发表公布的因子，实际收益率往往比回测要降低50%以上。大量的因子投资基金也加剧了这种拥挤现象，当买入成本被迫抬高和同时抛售造成卖出价格大幅下降进一步压缩了因子获取收益的能力；三是实施成本(Implementation Costs)，有些因子看似有效，实际上来自于公司市值偏小而不具备流动性，回测时的有效性放到实盘交易就会受到流动性不足带来的收益压缩。最后也是最重要的，财务报表上的会计数字可以”扭曲”企业的真实价值，不同的会计准则会反映出不同的企业经营状况，管理层对企业未来的估计和会计方法的选择很容易受到主观判断的影响，并容易产生管理层偏差和操控。格兰汉姆的基本面分析虽然也大量依靠财务数据作为筛选公司的手段，例如从经营现金流判断公司的兴衰、从应付票据判断判断公司财务状况、从负债判断公司经营的稳健程度等，但格兰汉姆的提出的基本面分析方法也对仅仅依赖于一方面的投资维度，例如账面价值和盈利，而进行投资持谨慎的态度，相应的他们建议投资者用更加详尽的基本面分析来确定企业的内在价值。
        斯隆教授教授以Big Five Sporting Goods（BFSG）一家运营于美国西部的运动商品零售商为例，讲述了了财务数据并不能完全真实的反映企业的实际运营状况。从财务数据上来看，BFSG是一家罕见的同时具有低估值、强动量、高质量的公司，例如企业的ROE为8.4%略高于行业中位数8.3%、账面市值比为61.%而行业中位数42.5%，债务占资产比例为6.5%而行业中位数为63.1%，EPS为每股0.051美元而行业中位数为0.035美元/股，显然从财务数据的角度而言BFSG是一家对于量化基金而言极具吸引力的公司，毫无疑问的量化基金占据了前十大股东的六位。然而与此相对的是该公司的空头头寸一直在增加，而之前的大股东一家善于基本面分析的基金却将手头的头寸清仓卖出。从基本面角度来看，BFSG的实体店铺已经在亚马逊等电商的冲击下营业额锐减，其实体竞争对手也已经破产歇业。但2016年的美国总统大选延缓了BFSG衰败的节奏，由于希拉里对于枪支持严格管制的态度，作为BFSG的重要业务的枪支销售额在此影响下迅速增长，因此也就出现了BFSG财务报表的大幅改善。然而短暂政策因素的影响却无法阻挡行业下行趋势，最终基本面分析为主的基金取得了胜利。撇开短期政策因素来看，BFSG的财务数据并没有看上去那么美好，例如ROE实际上受益于处于衰退期