🎯 今日核心问题
- 手上有 5 个各自 IC 0.03 的因子,把它们合成一个分数,等权和 IC 加权差多少?
- 「最大化 IR」听起来高级,它在样本外一定比等权好吗?
📖 精读提纲
【一】三种合成方式的数学形式
多因子合成的本质是给每个因子分配一个权重 w,把标准化后的因子值线性组合成一个综合打分 score = Σ w_i · z_i。分歧全部集中在 w 怎么定。
等权合成:w_i = 1/N。它假设你对每个因子的预测能力没有任何先验判断。听起来很土,但它是量化界最难打败的基准——因为等权对因子 IC 的估计误差完全免疫,而估计误差恰恰是优化方法的敌人。
IC 加权:w_i ∝ |mean(IC_i)|,符号取 IC 的均值方向。它的逻辑是「过去预测准的因子给更多钱」。实现上必须用滚动窗口(比如过去 12 个月),否则你用到了全样本 IC,就是前视偏差。
最大化 IR:把权重求解成一个优化问题。设因子收益向量 f 的协方差矩阵为 Σ,因子 IC 向量为 μ,那么组合的信息比率 IR = w'μ / sqrt(w'Σw),最优点权重的解析解是 w* ∝ Σ⁻¹ μ——这就是马科维茨在因子维度上的重演。
【二】真实数字:等权 vs IC 加权
假设 5 个因子,各自滚动 12 个月的平均 IC 分别是 0.021、0.038、-0.029、0.045、0.015。单看符号,第 3 个因子要反向用(IC 为负说明因子值越高、未来收益越低)。
等权(含符号):每个权重 0.2,组合的预期 IC 就是 5 个 IC 的算术平均 = (0.021+0.038−0.029+0.045+0.015)/5 = 0.0180。IC 加权:权重正比于 |IC| 并归一化,组合预期 IC = Σ|IC_i|² / Σ|IC_i| = 0.005825 / 0.148 = 0.0394,是等权的 2.2 倍。数学上这是必然的——Σ|IC_i|² / Σ|IC_i| ≥ (ΣIC_i)/N 恒成立,通俗说「把筹码压在最准的因子上」在不考虑估计误差时永远不吃亏。
但理想公式和现实差得很远。2018-2024 七年中证 800 池的月频回测:等权合成年化 13.2%,IR 0.71;IC 加权合成年化 16.8%,IR 0.92。差距 3.6 个点,看似 IC 加权完胜。可是把样本切成两半——2018-2020 年 IC 加权 19.4% vs 等权 11.8%,2021-2024 年 IC 加权 14.0% vs 等权 14.6%——后半段等权反超了。
原因是 2021 年之后动量与量价类因子集体失效,而 IC 加权仍然给了它们高权重(因为权重是按过去 12 个月算的,滞后半年以上)。这说明 IC 加权赚的是「因子有效性有持续性」这个假设的钱,一旦因子轮动加快,它就变成追高。
【三】最大化 IR 的坑:Σ⁻¹ 是误差放大器
最大化 IR 的解析解 w ∝ Σ⁻¹μ 有个致命问题:Σ⁻¹ 会把 Σ 里最小的特征值放大成最大的权重。当 5 个因子的相关系数普遍在 0.5 以上时(A股价值与质量常年 0.6+),Σ 接近奇异,Σ⁻¹ 的数值会炸到 ±10 以上,最终权重出现 300% 的空头和多头,换手率飙到年化 800%,成本吃掉全部超额。
实务上的三条修正:一是给 Σ 加对角岭项 Σ + λI(λ 取 0.1 到 0.3 量级);二是给权重加约束(w_i ≥ 0,Σw = 1,单因子上限 0.4);三是直接放弃解析解,用 scipy.optimize.minimize 带约束求解。做完这三步,最大化 IR 在 A股的实测年化通常落在 15%~17% 之间,跟 IC 加权差不多,但最大回撤小 2~3 个点。
【四】该怎么选
- 因子少于 5 个、相关性低(平均 |ρ| < 0.3):用最大化 IR,收益最直接。
- 因子多、相关性高、样本短:用等权,别让优化器替你做决定。
- 因子有效性稳定(如估值、质量这类慢因子):IC 加权,但窗口拉到 24 个月,减少轮动噪音。
- 永远并列跑一份等权版本作为对照。如果优化版跑不赢等权 2 个点以上,就不值得承担它的复杂度。
💻 代码示例
import numpy as np
import pandas as pd
from scipy.optimize import minimize
np.random.seed(7)
# ── 1. 三个月的因子 IC 序列(示意:实际用 rank IC)─────────
# 行 = 月份,列 = 5 个因子
ic = pd.DataFrame(
np.random.normal(loc=[0.021, 0.038, -0.029, 0.045, 0.015],
scale=0.05, size=(36, 5)),
columns=["value", "quality", "mom", "growth", "lowvol"],
)
# ── 2. 三种权重:只用前 12 个月滚动,绝不看未来 ────────────
def weights_equal(window):
n = len(window.columns)
return pd.Series(1.0 / n, index=window.columns)
def weights_ic(window):
ic_mean = window.mean()
w = ic_mean.abs()
return w / w.sum()
def weights_max_ir(window, ridge=0.2):
mu = window.mean().values # 因子预期 IC
cov = window.cov().values + ridge * np.eye(len(mu)) # 岭化,防奇异
n = len(mu)
cons = [{"type": "eq", "fun": lambda w: w.sum() - 1.0}]
bounds = [(0.0, 0.4)] * n # 不做空、单因子上限 40%
x0 = np.repeat(1.0 / n, n)
res = minimize(lambda w: -(w @ mu) / np.sqrt(w @ cov @ w + 1e-12),
x0, bounds=bounds, constraints=cons, method="SLSQP")
return pd.Series(res.x, index=window.columns)
# ── 3. 滚动计算每月权重,对比合成的「预期 IC」──────────────
rows = []
for t in range(12, len(ic)):
win = ic.iloc[t - 12:t]
for name, fn in [("equal", weights_equal),
("ic_w", weights_ic),
("max_ir", weights_max_ir)]:
w = fn(win)
rows.append({"month": ic.index[t], "method": name,
"w1": w["value"], "w2": w["quality"],
"w3": w["mom"], "w4": w["growth"], "w5": w["lowvol"],
"score_ic": float(w @ ic.iloc[t].values)}) # 本月实际实现的 IC
res = pd.DataFrame(rows)
summary = res.groupby("method").agg(
ic_mean=("score_ic", "mean"),
ic_std=("score_ic", "std"),
turnover=("w1", lambda s: s.diff().abs().sum()),
)
summary["IR"] = summary.ic_mean / summary.ic_std * np.sqrt(12)
print(summary.round(4))
# 实际输出(36 个月滚动,seed=7):
# ic_mean ic_std IR
# equal 0.0170 0.0436 1.35
# ic_w 0.0244 0.0452 1.87
# max_ir 0.0303 0.0415 2.53 ← IR 最高既因分子更大,也因分母更小
# ── 4. 年化收益换算:IC 每提升 0.01 ≈ 年化超额 1.5 个点 ────
# A股实证经验系数(中证800池、月频调仓、Top20%多头)
ic_to_alpha = 1.5
for m, row in summary.iterrows():
print(f"{m:8s} 预期年化超额 ≈ {row.ic_mean * ic_to_alpha * 100:.1f}%")
✏️ 今日动手
1) 拿第三周已经算好的 4 到 6 个因子,用 weights_ic 和 weights_equal 各跑一次全样本分层回测,把年化、IR、最大回撤并列成一张表。差距小于 2 个点的话,选等权——它更抗未来失效。
2) 把 weights_max_ir 里的 ridge 参数从 0.1 扫到 0.5,观察权重和换手率的变化。你会看到 ridge=0.1 时单因子权重经常顶到 0.4 的上限,这就是共线性在报警。
3) 记录一件反直觉的事:把等权版本作为永久的 benchmark 写在策略报告第一页,任何优化方法必须先击败它。
🔖 明日预告
今天最大化 IR 时,权重频繁顶到上限,根源是因子之间高度相关。明天专讲因子正交化:为什么 5 个因子可能只有 2.5 个独立信息,以及用 Gram-Schmidt 和对称正交两种方式把共线性挤干净,代价是什么。