Skip to content

案例3:多因子选股策略归因——因子IC分析、因子换手率、组合优化改进

好,咱们今天聊一个实战性很强的案例。多因子选股策略,说白了就是找一堆能预测股票涨跌的"信号",然后综合打分,选分数高的买。但问题来了——你怎么知道这些信号到底有没有用?哪个信号贡献大?哪个信号其实在拖后腿?

我个人习惯,做策略归因一定要从三个维度切入:因子IC分析看预测能力,因子换手率看交易成本,组合优化看最终落地效果。缺一个,你的归因报告就不完整。

一、因子IC分析:你的因子到底灵不灵?

IC,全称是Information Coefficient,信息系数。说白了就是因子值和未来收益之间的相关性。IC为正,说明因子值越大,未来收益越高;IC为负,说明因子值越小,未来收益越高。

我见过不少新手,上来就搞一堆因子,回测曲线漂亮得不行。结果一算IC,全是负的,还忽大忽小。你想想看,这种因子你敢实盘用吗?

常用的IC指标有这么几个:

  • Rank IC:因子排名和收益排名的Spearman相关系数。我个人最常用这个,因为它对极端值不敏感。
  • Normal IC:因子值和收益值的Pearson相关系数。要求数据正态分布,实际中很少满足。
  • IC均值:一段时间内IC的平均值。正数越大越好,负数绝对值越大也说明反向预测能力强。
  • IC标准差:IC的波动率。越小说明因子越稳定。
  • ICIR:IC均值除以IC标准差。这个指标比单纯的IC均值更有参考价值,因为它考虑了稳定性。

实战经验:我一般要求Rank IC均值绝对值大于0.02,ICIR大于0.5,才考虑纳入因子库。低于这个门槛的因子,大概率是噪音。

来看一段计算Rank IC的Python代码:

import pandas as pd
import numpy as np
from scipy.stats import spearmanr

def calc_rank_ic(factor_series, return_series):
    """
    计算Rank IC
    factor_series: 因子值序列(index为股票代码)
    return_series: 未来收益序列(index为股票代码)
    """
    # 计算排名
    factor_rank = factor_series.rank()
    return_rank = return_series.rank()

    # 计算Spearman相关系数
    ic, p_value = spearmanr(factor_rank, return_rank)
    return ic, p_value

# 示例:计算某日所有股票的Rank IC
daily_ic = []
for date in factor_data.index.unique():
    factor_today = factor_data.loc[date]
    return_today = return_data.loc[date]
    ic, _ = calc_rank_ic(factor_today, return_today)
    daily_ic.append({'date': date, 'ic': ic})

ic_df = pd.DataFrame(daily_ic)
print(f"IC均值: {ic_df['ic'].mean():.4f}")
print(f"IC标准差: {ic_df['ic'].std():.4f}")
print(f"ICIR: {ic_df['ic'].mean() / ic_df['ic'].std():.4f}")

嗯,这里要注意:计算IC时,因子值和收益值的时间窗口要对齐。我见过有人把T日的因子和T+5日的收益算IC,结果发现IC很高,但实际交易时根本来不及。为什么?因为因子数据发布有延迟,你T日收盘拿到的因子,可能已经是T-1日的数据了。

二、因子换手率:你的策略在给券商打工吗?

因子换手率,很多人会忽略。但说实话,它比IC更能决定策略的生死。

因子换手率衡量的是:因子值在不同时间点上的变化程度。换手率越高,说明因子值变化越剧烈,你调仓的频率就越高,交易成本就越大。

我曾经做过一个策略,ICIR高达1.2,回测年化收益30%。结果一算单边换手率,每个月300%!什么意思?就是每个月要把持仓全部换一遍,还要再换两倍。扣掉千分之三的佣金和千分之一的印花税,再加上冲击成本,实盘收益直接腰斩。

计算因子换手率的方法:

def calc_factor_turnover(factor_series, top_pct=0.2):
    """
    计算因子换手率
    factor_series: 时间序列,每个时间点是一个因子值Series
    top_pct: 选股比例
    """
    turnover_list = []
    prev_stocks = set()

    for date in factor_series.index:
        # 取因子值最高的top_pct股票
        current_factor = factor_series.loc[date]
        n_select = int(len(current_factor) * top_pct)
        current_stocks = set(current_factor.nlargest(n_select).index)

        if prev_stocks:
            # 换手率 = 新进入的股票数量 / 总选股数量
            new_stocks = current_stocks - prev_stocks
            turnover = len(new_stocks) / n_select
            turnover_list.append(turnover)

        prev_stocks = current_stocks

    avg_turnover = np.mean(turnover_list)
    return avg_turnover

# 示例
avg_turnover = calc_factor_turnover(factor_ts, top_pct=0.2)
print(f"平均单边换手率: {avg_turnover:.2%}")

避坑指南:我曾经犯过一个错误——只看因子IC,不看换手率。结果实盘跑了一个月,收益还没手续费高。后来我养成了一个习惯:任何因子,先算IC,再算换手率,两者结合看。IC高但换手率也高的因子,要谨慎使用。

一般来说,我建议因子换手率控制在50%以下(月度调仓)。如果超过100%,就要考虑是不是因子本身噪音太大,或者数据预处理有问题。

三、组合优化改进:从因子到实盘的最后一公里

因子IC和换手率分析完了,接下来就是组合优化。说白了,就是怎么把因子信号转化成最终的持仓权重。

最简单的做法是等权选股——选因子得分最高的N只股票,每只买一样的金额。但这样做有两个问题:

  • 没有考虑股票之间的相关性。如果选出来的10只股票全是银行股,那风险就太集中了。
  • 没有考虑风险暴露。比如你的因子对市值因子有暴露,那市场风格切换时,你的策略就会大起大落。

我常用的改进方法是风险因子中性化加权重优化。

先看风险因子中性化:

def neutralize_factor(factor, risk_factors):
    """
    对因子做风险因子中性化处理
    factor: 原始因子值
    risk_factors: 风险因子矩阵(如市值、行业、波动率等)
    """
    import statsmodels.api as sm

    # 添加截距项
    X = sm.add_constant(risk_factors)

    # 回归:因子 = 风险因子 + 残差
    model = sm.OLS(factor, X).fit()

    # 残差就是中性化后的因子
    neutral_factor = model.resid
    return neutral_factor

中性化之后,因子值就不再受已知风险因子的影响了。这时候再去做选股,得到的组合才是真正暴露在你想暴露的因子上的。

然后是权重优化。我推荐用均值-方差优化的变种——最大化因子暴露,同时控制风险:

from scipy.optimize import minimize

def optimize_weights(factor_scores, cov_matrix, risk_budget=0.02):
    """
    组合权重优化
    factor_scores: 因子得分向量
    cov_matrix: 协方差矩阵
    risk_budget: 单个股票最大权重
    """
    n = len(factor_scores)

    # 目标函数:最大化因子暴露,同时惩罚风险
    def objective(weights):
        factor_exposure = weights @ factor_scores
        portfolio_risk = weights @ cov_matrix @ weights
        return -factor_exposure + 0.5 * portfolio_risk

    # 约束条件
    constraints = [
        {'type': 'eq', 'fun': lambda x: np.sum(x) - 1},  # 权重和为1
        {'type': 'ineq', 'fun': lambda x: risk_budget - np.abs(x)}  # 单只股票权重上限
    ]

    # 初始权重:等权
    init_weights = np.ones(n) / n

    # 优化
    result = minimize(objective, init_weights, 
                      method='SLSQP', 
                      constraints=constraints,
                      bounds=[(0, risk_budget)] * n)

    return result.x

注意:组合优化不是万能的。我见过有人把优化器调得特别精细,结果优化出来的权重全是0和1——因为协方差矩阵估计不准,优化器过度拟合了历史数据。我的建议是:优化参数不要超过5个,约束条件不要超过3个。越简单,越稳健。

四、完整的归因框架图

下面这张图,是我做多因子策略归因时常用的框架。你可以把它当成一个检查清单:

flowchart TD
    A[因子输入]
    B[IC分析]
    C[换手率分析]
    D[风险暴露分析]
    E[因子筛选与合成]
    F[组合优化]
    G[绩效评估与迭代]
    A --> B
    A --> C
    A --> D
    B --> E
    C --> E
    D --> E
    E --> F --> G

这个框架的核心逻辑是:先有因子输入,然后从IC、换手率、风险暴露三个维度做分析,筛选出有效的因子,再通过组合优化落地,最后用绩效评估来验证。如果绩效不达标,就回到因子分析环节,看看是哪个环节出了问题。

五、总结一下改进方向

基于上面的分析,我总结几个实用的改进方向:

  1. IC改进:如果IC均值低,考虑因子正交化,去除因子之间的共线性。如果ICIR低,考虑做因子择时——IC高的时候多配,IC低的时候少配。
  2. 换手率改进:如果换手率太高,对因子值做平滑处理,或者改用排名分位数而不是原始值。也可以引入交易成本惩罚项,在优化目标函数里直接扣掉预期交易成本。
  3. 组合优化改进:如果优化出来的权重太极端,加L2正则化项。如果协方差矩阵估计不准,用收缩估计量(Shrinkage Estimator)代替样本协方差。
  4. 风险控制改进:加入行业中性化约束、市值中性化约束。我一般要求组合相对于基准的行业偏离不超过2%,市值偏离不超过0.5个标准差。

个人经验:我做过一个改进案例,原始策略的ICIR只有0.3,换手率120%。经过因子正交化、平滑处理、加正则化优化三步改进后,ICIR提升到0.8,换手率降到40%,夏普比率从0.6提升到1.5。你看,归因分析不是走过场,是真能帮你赚钱的。

好了,这个案例就聊到这儿。记住一句话:没有归因的策略,就像没有仪表盘的飞机——你飞得再高,也不知道什么时候会掉下来。