🎯 今日核心问题

  1. 一个策略在回测里很好,实盘三年后不灵了,最可能是哪一类原因?
  2. 「失效」不是二值的,它有三个层次:收益变薄、超额归零、方向反转。在你的策略上,哪一层先出现?
  3. 如果你不能给出失效的机制解释,那你凭什么相信回测里的那条漂亮曲线?

📖 精读提纲

【一】先接受一件事:策略一定会失效

任何公开的、可被复制的高收益,最终都会被钱填平。这不是悲观,是算术:若某个因子的超额收益来自「市场暂时没注意到」,那么它的宣传、论文、卖方路演和同行招聘,就是把「暂时」变成「已经」的过程。所以你不需要问「我的策略会不会失效」,只需要问「它靠什么活着,那个东西还在不在」。

以 002472 双环传动为例:2020-2022 年市场给它的主要标签是「新能源车齿轮 + 减速器国产替代」,估值从 25 倍 PE 一路抬到 60 倍以上;2023-2024 年新能源车增速从 90% 掉到 30% 以下,营收增速跟着从 40% 掉到个位数,估值又回落到 20 倍附近。如果你的策略是「高营收增速 + 高景气行业」选股,那么它在这只票上的超额收益,本质是产业渗透率曲线的前半段带来的。渗透率走完,策略没坏,策略依赖的那个机制坏了。

【二】失效的三种机制

(1)因子拥挤。同类信号被太多资金使用,交易行为本身把价差提前吃掉。表现是:因子仍然「有效」——IC 还是正的——但多空组合的收益在全样本上被压缩,且建仓当天就开始亏(因为大家都在同一天买)。这是最隐蔽的一种,因为你的归因会告诉你「因子还行」,只是赚得少了。

(2)市场结构变化。投资者结构、交易制度、上市结构变了,因子的经济学基础就变了。典型例子:小市值因子在 2017 年之后大幅削弱,因为 IPO 常态化 + 退市趋严让「壳价值」消失;再比如 601111 中国国航这类强周期航空股,其「市净率低位买入」的逻辑依赖的是「周期底 PB 破净后均值回归」,但 2020-2022 年疫情把资产负债表永久性地改写了(负债率从 60% 抬到 90% 以上),历史 PB 中枢本身失效,用旧分位数去衡量新周期,就是拿错尺子。

(3)监管与规则变化。最直接也最不可预测。涨跌停从 10% 到 20%(创业板/科创板)、注册制、退市新规、程序化交易报备、转融通收紧、公募佣金下调——每一条都会改变某个策略的成交假设或收益来源。量化选股中「尾盘资金流」类因子的衰减,有一大块来自监管对异常交易的限制,而不是因子本身变差了。

机制可观察的前兆典型时间尺度能否靠调参救
因子拥挤IC 仍正但收益变薄;建仓日滑点上升;同质持仓度上升6-18 个月,渐进不能,只能降权或换赛道
市场结构变化因子分组单调性塌陷;历史分位数失去区分度;换手结构突变1-3 年,缓慢不能,必须重定义因子
监管/规则变化某类信号当天收益跳变;成交假设失效;某板块整体失效数日到数月,突变不能,必须改假设重测

【三】用代码把「三种机制」变成可测

下面这段代码不构造策略,只做一件事:把一个因子的日频 IC 序列切分成「收益水平」和「拥挤程度」两路,并检测结构性断点。跑在 002472 / 601111 / 沪深300 成分上都能直接用(把 panel 换成你的真实数据即可)。

import numpy as np
import pandas as pd

# ---------- 示意数据:真实使用时替换成你的因子面板 + 复权收益 ----------
rng = np.random.default_rng(20261208)
dates = pd.bdate_range("2021-01-04", periods=1000)
codes = ["002472", "601111"] + [f"60{i:04d}" for i in range(1, 61)]

rows = []
for d in dates:
    for c in codes:
        rows.append((d, c))
df = pd.DataFrame(rows, columns=["date", "code"])

t = df["date"].map({d: i for i, d in enumerate(dates)}).to_numpy()
# 因子值:真正的驱动是「20日动量」,但夹杂大量噪声
df["factor"] = rng.standard_normal(len(df)) + 0.3 * np.sin(t / 37.0)
# 收益:前 700 天有 alpha,之后 alpha 归零(模拟失效)
alpha = np.where(t < 700, 0.055, 0.0)
df["fwd_ret"] = alpha * df["factor"] + rng.standard_normal(len(df)) * 0.05
df["turnover"] = np.abs(rng.standard_normal(len(df))) + 0.5   # 个股换手,示意

# ---------- 1. 日频 IC(截面 Spearman 相关)----------
def daily_ic(g):
    if len(g) < 20 or g["factor"].nunique() < 5:
        return np.nan
    return g["factor"].corr(g["fwd_ret"], method="spearman")

ic = df.groupby("date").apply(daily_ic, include_groups=False).rename("ic")

# ---------- 2. 收益水平 vs 拥挤程度:两条独立通道 ----------
# 收益:IC 的 60 日均值;拥挤:因子多头组合的换手与持仓集中度变化
ic_ma60 = ic.rolling(60).mean()

def long_turnover(g):
    top = g.nlargest(max(3, len(g) // 5), "factor")
    return top["turnover"].mean()

crowd = df.groupby("date").apply(long_turnover, include_groups=False).rename("long_to")
crowd_z = (crowd - crowd.rolling(250).mean()) / crowd.rolling(250).std()

# ---------- 3. 结构性断点:60 日 IC 相对全样本的均值漂移 ----------
ic_ref = ic.expanding(min_periods=250).mean()
drift = (ic_ma60 - ic_ref) / ic.rolling(250).std()

report = pd.DataFrame({
    "ic": ic,
    "ic_ma60": ic_ma60,
    "crowd_z": crowd_z,
    "drift_z": drift,
}).dropna()

print("全样本 IC 均值: %.4f   IC>0 占比: %.1f%%" % (ic.mean(), (ic > 0).mean() * 100))
for label, seg in [("前半段", report.iloc[:len(report) // 2]),
                   ("后半段", report.iloc[len(report) // 2:])]:
    print(f"{label}: IC均值 {seg['ic'].mean():.4f} | 拥挤Z {seg['crowd_z'].mean():+.2f} "
          f"| 漂移Z {seg['drift_z'].mean():+.2f}")

flags = report[(report["ic_ma60"] < 0.02) & (report["crowd_z"] > 1.0)]
print("\n收益变薄 + 拥挤升高 同时出现的天数:", len(flags))
print(flags.tail(3)[["ic_ma60", "crowd_z"]])

输出会明确显示:后半段的 ic_ma60 掉到 0.02 以下,而 crowd_z 并没有同步飙高——这说明本例的失效是机制性衰减(alpha 消失),不是拥挤。两种失效在数据上的指纹完全不同,处置方式也不同:拥挤可以等它自己出清,机制性衰减等不回来。区分这两者,是本周全部工作的起点。

✏️ 今日动手

1) 把你的核心因子逐个过一遍上面的表:它靠哪个机制赚钱?这个机制在 A 股还剩几年?

2) 跑一遍上面的代码,把你自己的因子数据换进去,看「收益变薄」和「拥挤升高」哪个先出现。

3) 写下你策略的一句话墓志铭:「它曾经因为 ____ 而有效,当 ____ 消失时它就会死。」填不出空,说明你还不懂自己的策略。

🔖 明日预告

知道了会失效,接下来要能「看见」失效。明天把四种监控指标写成具体的阈值:IC 衰减、超额收益滚动窗口、换手率异常、回撤突破——每一个都要有数字,不能是「感觉不太对」。