A股量化策略实战：多因子打分模型中的IC衰减分析与动态权重优化

1次阅读

共计 1883 个字符，预计需要花费 5 分钟才能阅读完成。

因子投资的核心逻辑 ：通过多个维度（如估值、动量、质量等）对股票进行综合评分，每个因子代表一种选股逻辑。例如：
PE（市盈率）因子反映估值水平
20 日收益率因子捕捉动量效应
ROE 因子衡量盈利质量
IC（信息系数）的定义 ：因子值与下期收益的秩相关系数，范围 [-1,1]。计算示例：
```
import scipy.stats as stats
ic = stats.spearmanr(factor_rank, future_return_rank)[0]
```
IC>0.05 通常认为因子有效，但需注意 …

IC 衰减的典型表现 ：因子有效性随时间递减的现象。通过计算不同时间间隔的 IC 值可观察到：

# 计算 T +1,T+5,T+20 日的 IC 值
ic_dict = {'1day': calculate_ic(factor, return_1d),
    '5day': calculate_ic(factor, return_5d),
    '20day': calculate_ic(factor, return_20d)
}

固定权重无法适应因子有效性的变化
忽略市场环境对因子表现的调节作用
案例：2020 年疫情期间质量因子突然失效

核心参数设置 ：

WINDOW_SIZE = 252  # 1 年交易日的滚动窗口
HALF_LIFE = 63     # 半衰期参数（季度调整）

权重计算逻辑 （完整代码见附录）：
计算窗口内各因子 IC 均值

根据半衰期公式调整近期 IC 权重：

decay_weight = np.exp(-np.arange(WINDOW_SIZE)/HALF_LIFE)
weighted_ic = (ic_series * decay_weight).sum()

动态调整触发机制 ：
设置权重调整阈值（如 5% 变化）
监控因子 IC 的 20 日移动标准差

实施步骤 ：
按市值、行业分层抽样构建测试集
保持训练集与测试集分布一致

Python 实现 ：

from sklearn.model_selection import StratifiedShuffleSplit
sss = StratifiedShuffleSplit(n_splits=5, 
                           test_size=0.3,
                           random_state=42)
for train_idx, test_idx in sss.split(X, industry_labels):
    X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]

严格划分回测区间（建议 7:3 比例）
禁止在样本外数据上做任何参数优化
特别警惕 2015 年、2018 年极端行情

调仓周期	100 因子计算耗时	内存占用
日频	45min	8GB
周频	12min	3GB
月频	3min	1GB

聚类降维方法 ：

from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=10).fit(factor_corr_matrix)
cluster_labels = kmeans.labels_

正交化处理 ：

from statsmodels.regression.linear_model import OLS
residual = OLS(factor_new, factor_base).fit().resid

因子数量与 IC 稳定性 ：
通过 Bootstrap 方法评估 IC 估计误差
建议初期聚焦 5 - 8 个核心因子
非线性调整可行性 ：
尝试 Sigmoid 函数调整权重变化速率
市场波动率作为调节参数
Regime 切换应对 ：
建立市场状态识别模型（HMM/SVM）
准备不同市况下的权重预案

# 因子标准化处理（行业市值中性化）def standardize_factor(factor):
    """
    factor: DataFrame(index=date, columns=stock)
    返回：行业市值调整后的因子值
    """
    # 行业哑变量处理
    industry_dummy = pd.get_dummies(stock_industry)
    # 市值对数处理
    log_mktcap = np.log(market_cap)
    # 回归去除行业市值影响
    for date in factor.index:
        X = pd.concat([industry_dummy, log_mktcap], axis=1)
        model = sm.OLS(factor.loc[date], X).fit()
        factor.loc[date] = model.resid
    return factor

（完整代码文件见 GitHub 仓库链接）

正文完