A股量化策略实战：多因子打分模型中的IC衰减与动态权重优化

1次阅读

共计 2338 个字符，预计需要花费 6 分钟才能阅读完成。

多因子模型的核心思想是通过多个因子对股票进行综合评分。IC（Information Coefficient）是衡量因子预测能力的关键指标，计算公式为：

# 计算因子 IC 值
import numpy as np
import pandas as pd

def calc_ic(factor, forward_return):
    """
    factor: 当期因子值（Series）forward_return: 下期收益率（Series）"""
    valid_data = pd.concat([factor, forward_return], axis=1).dropna()
    return np.corrcoef(valid_data.iloc[:,0], valid_data.iloc[:,1])[0,1]

IC 取值范围 [-1,1]，绝对值越大说明因子预测能力越强
实践中 IC>0.03 的因子即有研究价值
传统多因子模型常采用静态加权（如等权或固定 IC 加权）

在实际回测中经常会发现因子 IC 值随时间衰减，主要原因包括：

数据窥探（Data Snooping）：在因子挖掘过程中反复测试导致虚假关系
因子拥挤（Factor Crowding）：类似逻辑的因子被市场过度交易
市场机制变化 ：交易规则、投资者结构等发生变化
宏观经济周期 ：不同因子在不同经济环境下表现差异

# 典型 IC 衰减曲线绘制
import matplotlib.pyplot as plt

ic_series = [0.05, 0.04, 0.03, 0.02, 0.01, 0.00, -0.01]
plt.plot(ic_series, marker='o')
plt.title('IC Decay Pattern')
plt.xlabel('Period')
plt.ylabel('IC Value')
plt.grid(True)

def rolling_ic_weight(factors_df, returns_df, window=12):
    """
    factors_df: 各因子值（DataFrame，index=date,columns=factor_names）returns_df: 下期收益率（同结构）window: 滚动窗口（月）"""
    weights = pd.DataFrame(index=factors_df.index, columns=factors_df.columns)

    for i in range(window, len(factors_df)):
        # 计算滚动 IC
        roll_ic = factors_df.iloc[i-window:i].corrwith(returns_df.iloc[i-window:i], 
            axis=0, 
            method='pearson'
        )
        # IC 绝对值归一化
        weights.iloc[i] = np.abs(roll_ic) / np.sum(np.abs(roll_ic))

    return weights

def half_life_weight(ic_series, half_life=6):
    """
    ic_series: 历史 IC 序列（Series）half_life: 半衰期参数（月）"""
    decay_rate = np.log(2)/half_life
    weights = np.exp(-decay_rate * np.arange(len(ic_series))[::-1])
    return weights / weights.sum()

严格样本外测试 ：将 2017-2020 作为训练集，2021-2023 作为测试集
因子正交化处理 ：

from sklearn.decomposition import PCA

def factor_orthogonalization(factors):
    pca = PCA()
    return pd.DataFrame(pca.fit_transform(factors),
        index=factors.index,
        columns=[f'PC{i+1}' for i in range(factors.shape[1])]
    )

Monte Carlo 检验 ：对因子值随机打乱 1000 次，检验原始 IC 是否显著
参数鲁棒性测试 ：在±20% 范围内变动半衰期参数，观察绩效稳定性

指标	静态等权	滚动 IC 加权	半衰期调整
年化收益率	12.3%	15.7%	16.2%
最大回撤	-28.5%	-22.1%	-20.8%
夏普比率	1.05	1.32	1.41
IC 稳定性	0.51	0.68	0.72

因子共线性检测 ：

# 计算方差膨胀因子 (VIF)
from statsmodels.stats.outliers_influence import variance_inflation_factor

vif = pd.Series([variance_inflation_factor(factors.values, i) 
     for i in range(factors.shape[1])],
    index=factors.columns
)
# VIF>10 的因子需要警惕

权重更新频率 ：
日频更新：交易成本高，易受噪声干扰
月频更新：平衡敏感度与稳定性
季度更新：可能错过市场风格切换
小市值因子 ：
需单独设置权重上限（如不超过 20%）
建议与其他因子做非线性组合
回测需考虑交易冲击成本

通过 3 个月的实盘测试，动态权重模型相比传统方法超额收益达到年化 4.2%。最关键的心得是：不要追求完美的权重算法，而应该建立持续监控和迭代的机制。我们团队现在每周都会自动生成因子健康度报告，对 IC 衰减超过阈值（如 30%）的因子触发预警。量化策略就像养花，需要定期浇水（数据更新）、施肥（因子迭代）和修剪（淘汰失效因子）。

正文完