🎯 今日核心问题
- 报警了,第一反应应该是「减仓」还是「再等等」?
- 降仓、暂停、反向,这三种处置分别适用什么场景?
- 为什么「因子失效了那就反向做」几乎总是错的?
📖 精读提纲
【一】处置的前提:先分类,再动手
报警之后最忌讳的动作是「立刻清仓」和「再观察观察」——前者把可控的回撤变成了确定的损失,后者把小问题拖成大问题。正确顺序是分类 → 定级 → 处置。分类看两件事:失效是收益变薄还是方向反转;信号是整体失效还是局部失效(只在某个行业/某类股票上失效)。定级看严重度(几个指标同时亮灯)和持续时间。
| 场景 | 数据特征 | 处置 | 仓位动作 | 恢复条件 |
|---|---|---|---|---|
| 假警报(噪声) | 单一指标触发,< 20 日,其他指标正常 | 不动,只记录 | 不变 | 指标自动回归 |
| 收益变薄 | IC 0.02-0.03,超额为正但 < 3% | 降仓 + 提高选股门槛 | 砍到 50%,只留打分最极端的 10 只 | IC 60 日均值回到 > 0.035 |
| 局部失效 | 某行业 IC < 0,其他正常 | 行业剔除,策略继续 | 不变,屏蔽该行业 | 该行业 IC 回正 60 日 |
| 方向反转 | IC 连续 60 日为负,且 < -0.02 | 暂停,不开新仓,不等反向 | 降至 0-20%,只留底仓 | 重做样本外,不靠等 |
| 拥挤反转 | 拥挤得分 ≥4 + 多空价差 < 0 | 主动降仓,等出清 | 降至 1/3 | 拥挤得分 ≤2 且估值分位 < 60% |
| 结构性失效 | 见 D6 硬指标 | 退役 | 清仓 | 无(重写新策略) |
【二】为什么「反向使用」几乎总是错的
直觉上很诱人:因子 IC 从 +0.05 变成 -0.05,那我反向买卖不就能赚 0.05?三个理由说明这行不通。
第一,反转通常不彻底。真实数据里,因子失效更多是「IC 掉到 0 附近并抖动」,而不是稳定地变成 -0.05。你反向之后,没有可提取的 alpha,只是多付了一倍交易成本。
第二,反转的收益被成本吃掉。A 股双边成本(佣金 + 印花税 + 滑点)约 0.3%-0.5%,如果你的因子原来年化超额只有 8%,反向后的毛收益即便有 5%,扣掉更高频的交易成本也所剩无几。
第三,也是最重要的——你不知道它是「反转」还是「噪声」。IC 连续 60 天为负,可能只是这段行情不适合,也可能是数据口径变了。反向操作等于在这个不确定性上加了一倍的杠杆。正确的用法是:先把反向当作一个待验证的假设,走一遍完整的观察期,而不是当场掉头。
一个反例值得记住:2022 年很多「低估值」因子阶段性失效,有人做成「买高估值」的反向策略,结果在 2022 年 10 月到 2023 年 2 月的反弹里被两头打脸——因为反转的不是因子,是市场风格,而风格会再换回来。
【三】代码:把报警映射成动作
import numpy as np
import pandas as pd
rng = np.random.default_rng(505)
dates = pd.bdate_range("2023-01-03", periods=500)
codes = [f"{i:06d}" for i in range(1, 101)]
df = pd.DataFrame([(d, c) for d in dates for c in codes], columns=["date", "code"])
t = df["date"].map({d: i for i, d in enumerate(dates)}).to_numpy()
df["factor"] = rng.standard_normal(len(df))
# 三段式 alpha:+0.05 → 0.01(变薄)→ -0.02(反转)
alpha = np.select([t < 250, t < 380], [0.05, 0.012], -0.02)
df["fwd_ret"] = alpha * df["factor"] + rng.standard_normal(len(df)) * 0.045
ic = df.groupby("date").apply(
lambda g: g["factor"].corr(g["fwd_ret"], method="spearman"), include_groups=False
).rename("ic")
ic60 = ic.rolling(60).mean()
ic_neg60 = (ic < 0).rolling(60).mean()
port = df[df.groupby("date")["factor"].transform(lambda s: s >= s.quantile(0.8))]
prem = port.groupby("date")["fwd_ret"].mean() - df.groupby("date")["fwd_ret"].mean()
# 返回 (状态, 目标仓位, 动作说明)
def classify(ic60_v, neg_ratio, excess_60, crowd=0):
if pd.isna(ic60_v):
return "观察", 0.0, "样本不足"
if ic60_v < -0.02 and neg_ratio > 0.5:
return "DIRECTION_FLIP", 0.0, "方向反转:暂停,不开新仓,不反向"
if ic60_v < 0.02 and excess_60 < 0:
return "DECAY", 0.5, "收益变薄:砍到 50%,只留最极端 10 只"
if ic60_v < 0.035:
return "WEAKEN", 0.8, "轻度衰减:不加仓"
if crowd >= 4:
return "CROWDED", 0.33, "拥挤反转:降至 1/3"
return "NORMAL", 1.0, "正常运行"
rows = []
for i in range(60, len(ic)):
rows.append((
ic.index[i],
round(ic60.iloc[i], 4),
round(ic_neg60.iloc[i], 2),
round(prem.iloc[max(0, i - 60):i].sum(), 4),
))
res = pd.DataFrame(rows, columns=["date", "ic60", "neg_ratio", "excess_60"])
res[["state", "pos", "action"]] = res.apply(
lambda r: pd.Series(classify(r["ic60"], r["neg_ratio"], r["excess_60"])), axis=1
)
print("状态分布:")
print(res["state"].value_counts())
# 状态切换点 = 你需要动手的日期
res["changed"] = res["state"] != res["state"].shift(1)
print("\n状态切换记录:")
print(res[res["changed"]][["date", "ic60", "state", "pos", "action"]].to_string(index=False))
# 处置后的效果:降仓避开了多少损失?
strat = res.set_index("date")["pos"].shift(1).fillna(0)
pnl = (strat * prem.reindex(strat.index)).fillna(0)
print("\n全程满仓累计超额: %.2f%%" % (prem.sum() * 100))
print("按状态调仓累计超额: %.2f%%" % ((pnl.sum()) * 100))
print("少回撤(示意,反向期): %.2f%%" % (
(prem[prem.index > res.loc[res["state"] == "DIRECTION_FLIP", "date"].min()].sum()) * 100))
最后那段「处置后效果」的对比,是这篇最该看的部分:满仓时你的超额被反转段吃掉,而降仓版本把反转段的大部分损失挡在了外面。注意,降仓版在「收益变薄」段的收益也同步变小——这就是代价,你不可能只要好处。
✏️ 今日动手
1) 把你的策略按上表分成 6 种场景,每种写一句「不解释、直接执行」的动作。
2) 跑一遍上面的状态分类,看看你的策略历史上走过哪几种状态、切换过几次。
3) 如果你曾经想过「反向做」,把那个想法写下来,标注:需要多长的观察期、多高的 IC 才允许。
🔖 明日预告
降仓、暂停都还是「暂缓执行」。有些策略必须彻底放弃。明天给出可量化的退役标准:什么条件下该认输,且永不再用。