5.6 多因子组合与择时

概念详解

多因子策略是将多个单一因子通过某种权重方案合成为一个复合信号，以提升预测的稳定性和覆盖度。单一因子往往在特定市场环境中表现优异，在其他环境中失效。多因子组合的目标是平滑Alpha流、降低因子特异风险、提升信息比率。

多因子策略的构建需要回答三个核心问题：

选哪些因子：因子之间应有低相关性和经济逻辑上的互补
怎么赋权：等权？ICIR加权？最优化加权？动态调整？
怎么合成：先合成因子再选股，还是先各自选股再合成组合？

名词解释：因子择时

根据市场环境（如利率、波动率、经济周期）动态调整不同因子的权重，期望在因子轮动中获取额外收益。例如在利率上升期加大价值因子权重（价值股通常在加息周期表现更好），在低波动环境中加大动量因子权重。

名词解释：ICIR加权

以各因子的IC均值除以IC标准差作为权重进行因子合成。ICIR = mean(IC) / std(IC)，它同时考虑了因子的预测能力（IC均值）和预测稳定性（IC标准差倒数）。ICIR越高的因子在合成中的权重越大。

名词解释：因子拥挤

多个投资者同时使用相似的因子策略，导致因子所交易的标的估值极端化，因子的超额收益能力被挤出。因子拥挤度可以通过因子估值差（多空组合的估值差异）、因子持仓相关性、因子收益的偏度等来衡量。

数学原理

因子加权合成方法

等权合成：每个因子权重 = 1/N

ICIR加权：

w_{i} = \frac{I C I R_{i}}{\sum_{j = 1}^{N} I C I R_{j}}

C o m p o s i t e_{t} = \sum_{i = 1}^{N} w_{i} \cdot Z (f_{i, t})

其中 $Z (f_{i, t})$ 是因子i在t期的标准化值（Z-score）。

最优化加权（最大化复合因子的ICIR）：

max_{w} \frac{w^{T} μ_{I C}}{\sqrt{w^{T} Σ_{I C} w}}

s . t . \sum w_{i} = 1, w_{i} \geq 0

其中 $μ_{I C}$ 是各因子IC的均值向量， $Σ_{I C}$ 是各因子IC的协方差矩阵。

因子收益率归因

组合超额收益可以分解为：

r_{t}^{a l p h a} = \sum_{i = 1}^{K} x_{i, t - 1} \cdot r_{i, t}^{f a c t o r}

其中 $x_{i, t - 1}$ 是因子暴露， $r_{i, t}^{f a c t o r}$ 是因子收益率。通过这个分解可以判断Alpha来源于哪些因子，以及各因子的贡献是否稳定。

Python实战

📌 案例：IC加权合成

PYTHON2 行 · 87 B

📄此处有展示代码2 行 · 87 B展开 ▼

python

ic_weights = ic_mean / ic_std  # ICIR
composite = (factor_df * ic_weights).sum(axis=1)

▶ 点击展开可浏览运行结果

📘 本段为公式演示片段（伪代码占位符，无完整上下文）

📌 案例：完整的因子合成与选股系统

PYTHON113 行 · 4.2 KB

📄此处有展示代码113 行 · 4.2 KB展开 ▼

python

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler

class MultiFactorStrategy:
    def __init__(self, factors_config, synthesis_method='icir', stock_num=50):
        """
        factors_config: dict, {factor_name: factor_series}
        synthesis_method: 'equal', 'icir', or 'optimize'
        stock_num: 持仓股票数
        """
        self.factors = factors_config
        self.method = synthesis_method
        self.stock_num = stock_num
        self.factor_weights = None
        self.ic_history = {}

    def compute_factor_ic(self, factor, forward_returns, window=None):
        """计算因子的滚动Rank IC"""
        from scipy.stats import spearmanr

        if window:
            ic = factor.rolling(window).apply(
                lambda f: spearmanr(f, forward_returns.loc[f.index])[0]
                if len(f.dropna()) > 10 else np.nan
            )
        else:
            ic = spearmanr(factor.dropna(), forward_returns.loc[factor.dropna().index])[0]
        return ic

    def preprocess_factors(self, date):
        """因子预处理：去极值、中性化、标准化"""
        processed = {}

        for name, factor in self.factors.items():
            f = factor.copy()

            # 1. 中位数去极值（MAD法）
            median = f.median()
            mad = np.median(np.abs(f - median))
            upper = median + 5 * mad
            lower = median - 5 * mad
            f = f.clip(lower, upper)

            # 2. 行业和市值中性化（见5.1节）
            # f = neutralize_factor(f, industry_dummies, market_cap)

            # 3. Z-score标准化（截尾）
            f = (f - f.mean()) / f.std()
            f = f.clip(-3, 3)

            processed[name] = f

        return pd.DataFrame(processed)

    def factor_synthesis(self, processed_factors):
        """因子合成"""
        if self.method == 'equal':
            if self.factor_weights is None:
                n = len(processed_factors.columns)
                self.factor_weights = pd.Series(1/n, index=processed_factors.columns)
            composite = processed_factors.mul(self.factor_weights).sum(axis=1)

        elif self.method == 'icir':
            if self.factor_weights is None:
                # 使用历史IC计算ICIR
                icirs = {}
                for name, factor in self.factors.items():
                    ic_mean = self.ic_history.get(f'{name}_mean', 0.01)
                    ic_std = self.ic_history.get(f'{name}_std', 0.05)
                    icirs[name] = ic_mean / ic_std
                total_icir = sum(icirs.values())
                self.factor_weights = pd.Series(
                    {k: v/total_icir for k, v in icirs.items()}
                )
            composite = processed_factors.mul(self.factor_weights).sum(axis=1)

        elif self.method == 'optimize':
            # 最大化复合因子的预期ICIR
            # 简化版：使用IC协方差矩阵的逆做权重
            ic_means = np.array([self.ic_history.get(f'{n}_mean', 0.01)
                                 for n in processed_factors.columns])
            # 假设IC间相关性为0.3
            n = len(ic_means)
            ic_cov = np.eye(n) * 0.05**2
            ic_cov[ic_cov == 0] = 0.3 * 0.05 * 0.05  # off-diagonal

            np.fill_diagonal(ic_cov, 0.05**2)
            weights = np.linalg.inv(ic_cov).dot(ic_means)
            weights = np.maximum(weights, 0)  # 非负约束
            weights = weights / weights.sum()
            self.factor_weights = pd.Series(weights, index=processed_factors.columns)

            composite = processed_factors.mul(self.factor_weights).sum(axis=1)

        return composite

    def generate_portfolio(self, composite_score, prices, capital):
        """基于复合得分生成投资组合"""
        # 选取得分最高的stock_num只股票
        selected = composite_score.nlargest(self.stock_num)
        selected = selected[selected.index.isin(prices.columns)]

        if len(selected) == 0:
            return {}

        # 等权配置（简化）
        weight_per_stock = 1.0 / len(selected)
        portfolio = {}
        for stock in selected.index:
            portfolio[stock] = capital * weight_per_stock / prices[stock]

        return portfolio

▶ 点击展开可浏览运行结果

📘 本段代码定义了 1 个函数/类：类 `MultiFactorStrategy`（factors_config: dict, {factor_name: factor_series}）。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

📌 案例：因子择时——基于市场状态的动态权重

PYTHON29 行 · 1.1 KB

📄此处有展示代码29 行 · 1.1 KB展开 ▼

python

def regime_based_factor_timing(factor_returns, regime_indicator):
    """
    基于市场状态（regime）的因子择时

    策略：在不同市场状态下使用不同的因子权重
    - 低波动/趋势市场：加大动量因子权重
    - 高波动/恐慌市场：加大质量和低波因子权重
    - 利率上升期：加大价值因子权重
    """
    # 定义不同状态下的因子权重
    regime_weights = {
        'trending': {'momentum': 0.4, 'value': 0.2, 'quality': 0.2, 'low_vol': 0.2},
        'volatile': {'momentum': 0.1, 'value': 0.1, 'quality': 0.4, 'low_vol': 0.4},
        'normal':   {'momentum': 0.25, 'value': 0.25, 'quality': 0.25, 'low_vol': 0.25},
    }

    dynamic_returns = []
    for date in factor_returns.index:
        regime = regime_indicator.get(date, 'normal')
        weights = regime_weights[regime]

        # 当日收益 = 各因子收益的加权平均
        daily_return = sum(
            factor_returns.loc[date, factor] * weight
            for factor, weight in weights.items()
        )
        dynamic_returns.append(daily_return)

    return pd.Series(dynamic_returns, index=factor_returns.index)

▶ 点击展开可浏览运行结果

📘 本段代码定义了 1 个函数/类：函数 `regime_based_factor_timing`（基于市场状态（regime）的因子择时）。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

常见误区

因子越多越好：加入一个低质量的因子（ICIR接近0，或与现有因子高度相关）会稀释Alpha而非增强。每加入一个新因子，都应检验其增量预测能力。
静态权重应对变化的市场：因子收益具有明显的周期性和轮动特征。一套固定的权重可能在某些年份表现优异，在另一些年份一败涂地。因子择时虽然困难，但值得投入。
忽视因子间的相关性：两个看似不同的因子（如动量因子和盈利修正因子）可能在IC上高度相关。ICIR加权方法如果不对IC协方差做调整，会产生冗余暴露。
过度依赖历史IC做权重：使用全样本历史IC计算的ICIR肯定会引入前视偏差。ICIR权重必须基于递归窗口（每期只用到当期之前已知的IC数据）计算。
合成因子不等于合成组合：将多个因子合成为一个复合得分后选股，不等同于先各自选股再等权持仓。前者利用因子间的互补效应，在股票层面完成了信号融合，通常更优。

实战练习

选取3-5个不同的Alpha因子（如价值、动量、质量、低波、规模），计算它们的月度Rank IC。对比等权合成和ICIR加权合成的复合因子的IC表现（均值、标准差、ICIR）。
研究IC协方差：计算这3-5个因子月度IC之间的相关性矩阵。是否存在显著的正相关？如果有，用IC协方差矩阵的逆做权重与简单ICIR加权对比。
因子轮动模拟：将历史分为牛市区段和熊市区段，分别计算各因子在两段的IC均值和多空收益。基于此设计一个简单的因子择时规则，评估择时前后的收益改善。

本章要点

多因子组合通过因子分散化提升Alpha的稳定性和覆盖度，降低对单一因子收益模式的依赖。
三种主要的因子加权方法：等权（简单但容易受弱因子拖累）、ICIR加权（平衡预测力和稳定性）、最优化加权（利用IC协方差结构）。
因子择时是在不同市场环境中动态调整因子权重，理论上可以提升收益但实践中极其困难——因子表现具有高度不确定性。
因子间的低相关性是合成Alpha的关键前提。两个ICIR=0.5但IC相关性接近0的因子，合成的ICIR可达0.7左右（ $\sqrt{{0.5}^{2} + {0.5}^{2}}$ ）。
复合因子相比"各自选股再组合"的方法，在股票层面完成了信号融合，能够更好地利用因子间的互补关系。
多因子组合的建设是一个持续的动态过程——需要定期审视因子表现、调整因子阵容、重新标定权重。

5.6 多因子组合与择时 ​

概念详解 ​

数学原理 ​

因子加权合成方法 ​

因子收益率归因 ​

Python实战 ​

📌 案例：IC加权合成 ​

📌 案例：完整的因子合成与选股系统 ​

📌 案例：因子择时——基于市场状态的动态权重 ​

常见误区 ​

实战练习 ​

延伸阅读 ​

本章要点 ​

5.6 多因子组合与择时

概念详解

数学原理

因子加权合成方法

因子收益率归因

Python实战

📌 案例：IC加权合成

📌 案例：完整的因子合成与选股系统

📌 案例：因子择时——基于市场状态的动态权重

常见误区

实战练习

延伸阅读

本章要点