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

没有评论

共计 2199 个字符，预计需要花费 6 分钟才能阅读完成。

多因子模型中，信息系数（Information Coefficient, IC）衡量因子与未来收益的相关性。常见的衰减现象表现为：

因子拥挤度上升 ：当某个有效因子被市场广泛采用时，其超额收益会被逐渐稀释
市场风格切换 ：如 2020 年消费因子失效、2021 年周期因子崛起等结构性变化
宏观经济周期影响 ：利率、通胀等宏观变量会改变因子的有效性周期

数学表达为：
$$IC_t = \rho(f_t, r_{t+1})$$
其中 $f_t$ 为 t 期因子值，$r_{t+1}$ 为未来收益。当 $|IC_t|$ 持续下降时需警惕失效风险。

传统等权或固定权重分配存在明显缺陷：

无法反映因子有效性的时变特征
在极端行情中会放大回撤（如 2018 年市值因子反转）
容易受到幸存者偏差影响

样本内年化收益 >30% 但样本外 <5%
参数微小变动导致绩效剧烈波动
因子组合在滚动窗口测试中表现不稳定

EWMA（指数加权移动平均）：
$$w_t = \alpha \cdot IC_t + (1-\alpha) \cdot w_{t-1}$$
适合平稳市场但滞后性明显
动态 IC 加权 ：
$$w_i = \frac{|IC_i|}{\sum_{j=1}^n |IC_j|}$$
对短期变化敏感但波动较大

我们提出衰减率调整方法：

计算因子最近 N 期 IC 衰减斜率 $\beta$
定义权重调整系数：
$$\lambda = 1 – \frac{1}{1+e^{-k\beta}}$$
动态权重更新：
$$w_{new} = w_{old} \times (1-\lambda) + \lambda \times w_{IC}$$

采用 Walk-Forward 交叉验证
设置因子有效性最低阈值（如 IC>0.03）
限制单因子最大权重（建议≤30%）

# 因子 IC 滚动计算
import pandas as pd
from scipy.stats import spearmanr

def rolling_ic(factor, returns, window=20):
    ic_series = []
    for i in range(len(factor)-window):
        ic = spearmanr(factor[i:i+window], returns[i+1:i+window+1])[0]
        ic_series.append(ic)
    return pd.Series(ic_series, index=factor.index[window:])

# 动态权重调整
import numpy as np

def dynamic_weight(ic_df, decay_window=60):
    weights = pd.DataFrame(index=ic_df.index)
    for col in ic_df.columns:
        # 计算 IC 衰减率
        beta = linregress(np.arange(decay_window), ic_df[col][-decay_window:])[0]
        # 计算调整系数
        lambda_ = 1 - 1/(1+np.exp(-10*beta))
        # 更新权重
        weights[col] = (1-lambda_) * ic_df[col].abs() + lambda_ * ic_df[col].abs().mean()
    return weights.div(weights.sum(axis=1), axis=0)

日频：流动性因子、量价因子
月频：财务质量、分析师预期
季频：股东变化、机构持仓

单因子 IC 跌破历史 25% 分位数
组合 IC_IR 低于 0.5
最大回撤超过 10%

因子 IC 均值与波动率
权重变化率标准差
组合换手率
多空收益分布偏度
不同市况下的胜率差异

指标	静态权重	动态权重
年化收益	18.7%	22.3%
最大回撤	-25.4%	-19.8%
Sharpe Ratio	1.21	1.47
胜率	58.3%	61.7%

当单边佣金超过 0.08% 时，动态策略仍保持优势：

# 成本敏感性分析
costs = np.linspace(0.0005, 0.002, 10)
sr_dynamic = [backtest(cost=c)['sharpe'] for c in costs]
sr_static = [backtest(cost=c, dynamic=False)['sharpe'] for c in costs]

plt.plot(costs*1e4, sr_dynamic, label='Dynamic')
plt.plot(costs*1e4, sr_static, label='Static')
plt.xlabel('Basis Points')
plt.ylabel('Sharpe Ratio')
plt.legend()