以多因子选股模型为例，先介绍峰度系数和偏度系数的含义。
峰度（Kurtosis）是衡量离群数据离群度的指标，与随机分布的四阶中心距对应，是数据序列的四阶中心距与标准差的四次幂之比。正态分布的峰度值为 3 ，称作常峰态，对应 I (beta=0)；峰度值大于 3 被称作尖峰态，对应 II (beta>0)；峰度值小于 3 被称作低峰态，对应 III (beta<0)。峰度系数越大，数据越集中。
一般来说，不希望峰度过大或过小，主要考虑因子的区分度和稳定性。峰度过大，观察值很集中，尾部短且薄，两端股票波动大，不稳定；峰度过小，类似均匀分布，缺少区分度。
图一 峰度系数
偏度（skewness）是衡量数据偏斜方向和程度的度量，即非对称程度，是三阶中心距与标准差的三次幂之比。偏度为 0 时，概率密度函数左右对称；偏度为正，对应分布正偏/左偏；偏度为负，对应分布负偏/右偏。偏度系数的绝对值越大，数据偏离度越大，中位数和平均值显著偏离。
可以借助偏度去理解一个因子的一些特性。比如新闻类的情绪因子，可能会发现该类因子会往正向偏离，它隐含的信息是，新闻的主要作用是传播正能量。理解好因子的特性后，在相应地构建投资信号的时候，也需要做适当的调整，比如给正负向权重配比的时候就不适合等权分配。
目前用到的 -skew+反转因子 构建量价数据alpha的方法除了可以通过非线性的手段显著降低alpha的correlation，其背后应该还有深层次的内在逻辑。
图二 偏度系数
参考
《金融工程主题报告：偏度和峰度对未来收益率的预测性》—安信证券
