首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册
BigQuant 2026年度私享会

动态因子赋权实战：从等权基准到 ICIR 驱动的完整投研历程

由xuxiaoyin创建，最终由bqhnclli 被浏览 27 用户

本文记录了一套多因子动态赋权策略的完整研发过程，包括因子筛选、方法论设计、踩坑实录，以及一个意外发现。回测区间 2019-2026，基准沪深 300。

先看结论

做投研，先给结论，再讲过程。\n

我回测了四组策略，区间 2019 年初到 2026 年 4 月，基准沪深 300：\n

策略 累计收益 年化收益 夏普 波动率 最大回撤 贝塔 胜率
等权 TOP10 258.37% 20.03% 0.69 27.69% 37.04% 0.89 50.81%
等权 TOP20 338.00% 23.52% 0.83 25.88% 33.70% 0.88 53.81%
滚动权重 TOP10 239.76% 19.12% 0.70 25.30% 36.61% 0.82 54.04%
滚动权重 TOP20 407.59% 26.15% 0.97 23.89% 37.64% 0.79 55.91%


一句话总结：动态 IC 赋权在 TOP20 持仓规模下，是四组策略中风险调整后表现最优的。

注意这里说的是"风险调整后"——不是单纯比谁收益高。滚动 TOP20 的年化 26.15%，比等权 TOP20 的 23.52% 高了 2.6 个百分点，但更重要的是，夏普从 0.83 提到了 0.97，波动率低了 2%，贝塔从 0.88 降到了 0.79。在赚更多钱的同时，承担了更少的系统风险。

TOP10 的情况更有意思。动态赋权的绝对收益略低于等权（19.12% vs 20.03%），但波动率更低、胜率更高、贝塔也更低。当持仓很集中时，因子权重的噪声对组合影响更大，动态赋权通过 ICIR 阈值机制过滤掉了低质量信号，牺牲了一点点收益，换来了更稳健的风险特征。

\

为什么做这个

我本身是学统计的，量化选股这套底层全是统计学，跟我背景很对路。但业内常见的选股路子是"硬筛"：市值小于多少的不要，市盈率大于多少的不要，ROE 低于多少的剔除……这种策略效果可以做得很好，但非常考验你对企业和市场的理解，你得知道什么阈值是合理的。

我想探索另一条路：不依赖那么多主观判断，仅仅通过对因子值排序、选 top N 的方式去做投资。这条路对刚入量化的新人特别友好——简单粗暴，回归数据本身。

核心问题是：因子动态赋权，能不能打败最朴素的等权基准？

\

第一步：因子从哪来

平台里最全的因子表将近 6500 个字段。全丢进去显然不现实，一方面计算量爆炸，另一方面因子之间相关性太高，合成时信息冗余。

我的做法是让 AI 做第一轮筛选：

1.先用 arxiv 的 Python 接口做方法论调研，结合 AI 出调研报告，确定用IC动态权重和因子独立性原则两种思路结合。

2.把 6500 个字段导出成 10 份 markdown 文件，一份一份喂给 AI，让它从每份里挑 10 个"主观上相关性弱、互不相关"的因子。分而治之是为了防幻觉——一次性读 6500 个字段，AI 一定会瞎编。

AI读取markdown文件并给其中的因子做分组

3.光有 AI 还不够，因子在精不在多，还得做二次筛选：

  • 第一，缺失值处理。无穷大补成缺失值，然后剔除所有缺失值。
  • 第二，截面缩尾（Winsorize）。这步特别重要，不去极值的话，选出来的 top N 全是异常值，策略会被几个极端值带偏：
from scipy.stats import mstats

def winsorize_section(df, col, limits=(0.01, 0.01)):
    return df.groupby('date')[col].transform(
        lambda x: mstats.winsorize(x, limits=limits)
    )
  • 第三，按月采样看截面相关性，把相关性大于 0.5 的因子剔除。

  • 第四，因子分析。每个因子做四种预处理——市值行业中性化、市值中性化、行业中性化、仅标准化，通过因子分析工具看分层效果。

  • 第五，经济含义验证。不能只看分层图好看，还得验证这个因子的经济含义是否站得住脚。同时用两个 AI 工具做交叉验证，避免单一工具的偏差。

最终入库的 8 个因子：

因子是策略的根基，根基不稳，后面再 fancy 的赋权方法都是空中楼阁。

第二步：方法论——从等权基准到 IC 赋权

先搭等权基准

做任何改进之前，必须先有一个基准。没有基准，你根本不知道后面的改进是真的有效还是运气。

等权合成：把每个因子的截面百分位排名直接加减——正向因子加，负向因子减，合成综合得分，选 top N，每只票等权持有，每 22 个交易日调仓一次。

score = rank(f1) - rank(f2) + rank(f3) - rank(f4) + rank(f5) + ...

这个基准的好处是逻辑极其透明，没有任何需要调的参数，跑出来的结果就是"纯因子选股能力"的下限。

IC 赋权的核心思想

等权的问题在于，它假设每个因子在任何时候贡献相同。但现实中，不同因子在不同市场环境下的预测能力差异很大。

IC 赋权的思路很直观：用因子过去一段时间的预测能力来决定它当期的权重，预测能力强的多给权重，弱的少给。

这里用的是 Rank IC，即因子值的截面排名与下期收益率排名之间的 Spearman 相关系数。

注意一个关键细节——时间对齐。因子值用 t 日的值，收益率用 t 日之后 22 天的涨跌幅。但在回测里，为了避免未来数据泄露，实际操作是反过来的：在 t 日，用 t-22 日的因子值去预测 t 日的收益率。这样任何时刻都只用已知信息。

单日 IC 波动很大，所以用 ICIR 来度量信噪比：

ICIR 越高，说明这个因子在过去一段时间里不仅预测能力强，而且稳定。

权重分配：用 ICIR 的绝对值作为原始权重，归一化后使总和为 1，再对每个因子施加上限（60%）防止垄断，最后再次归一化：

\

第三步：踩坑实录

代码写出来容易，跑通并且跑对，完全是两回事。

坑一：负向因子被"静默丢弃"

第一版 IC 赋权跑完之后，回测结果看起来还行，但总觉得哪里不对劲。后来仔细看代码才发现一个隐蔽的 bug：权重计算用的是 icir.clip(lower=0)，把负的 ICIR 直接截断成 0。

这意味着什么？负向因子——比如换手率、应收账款周转天数——它们的 ICIR 本身是负的，因为高换手率的股票通常跑输，这符合经济学直觉。但 clip(lower=0)

把它们的权重归零了，5 个因子实际上只有 3 个在工作。

这个 bug 特别容易被忽略，因为回测结果不会崩盘，它只是"悄悄"损失了两个因子的信息。

修复方案是把权重大小和因子方向分开处理：用 icir.abs() 决定权重大小，用 np.sign(icir) 决定打分时是加还是减:

signs = np.sign(icir)
score = sum(signs[f] * weights[f] * today_df[f] for f in FACTOR_COLS)

这样负向因子也能参与合成，只是打分时方向相反，与等权版本的减号逻辑完全一致。

坑二：用噪声驱动权重变化

文献指出 A 股因子的真实 IC 值通常非常接近零。也就是说，在很多时段，ICIR 根本没有统计意义，它本质上就是噪声。

如果每次调仓都无条件更新权重，实际上是在用噪声驱动权重变化，引入不必要的不稳定性。

解决方案是加一个启动阈值：只有当所有因子中 ICIR 绝对值的最大值超过 0.3 时，才更新权重，否则沿用上期权重，"冻结"不动：

if icir.abs().max() < ICIR_THRESHOLD:
    return prev_weights  # 冻结，不更新

这个机制在市场信号混乱的时候能起到保护作用，在 2022 年熊市里体现得特别明显。

超额从哪来——哪个因子在主导

策略打赢了基准，但更值得追问的是：这套策略的 alpha，到底是哪个因子贡献的？

等权策略里每个因子权重固定在 12.5%，动态赋权则让市场自己决定权重。7 年下来，市场把筹码押在了哪里？

全区间因子强势度排名

等权基准是每因子 12.5%，超过这条线的只有 f2、f3、f6 三个。

换手率（f2）是 8 个因子里最强势的，平均权重 22.8%，是等权基准的 1.8 倍，44% 的期数是当期第一因子。这个结果在直觉上是成立的——换手率是 A 股最经典的反转信号之一，高换手的股票往往是短期被过度交易的，后续容易均值回归跑输；低换手的股票反而更稳健。这个规律在 A 股散户主导的市场结构下长期有效。

净利润增速、市盈率倒数、总资产周转率这三个因子，平均权重都不到等权基准的 70%。这不是说这三个因子没有经济含义——恰恰相反，它们都是教科书级别的基本面因子。问题在于，A 股 2019-2026 这段区间，基本面因子的预测能力本来就偏弱，市场定价经常脱离基本面，ICIR 信号不稳定，动态赋权自然把它们的权重压下去了。这是数据给出的答案，不是主观判断。

逐年权重复盘

几个值得关注的年份：

2020 年（疫情冲击）：换手率权重骤降至 12.6%（全区间最低），股息率升至 21.6% 接管主导权。疫情冲击下市场换手率信号失真，反转效应短暂失效，策略自动切换到股息率和财务质量因子——这是动态赋权最直接的价值体现：市场环境变了，权重跟着变，不需要人工干预。

2022 年（熊市防御）：换手率重回主导（24.3%），应收账款天数升至 17.7%（全区间最高）。熊市中市场更在意企业的现金流质量，应收账款周转天数短的公司抗跌性更强。

2025 年（资金驱动极端化）：换手率飙至 33%（全区间最高），主力资金净流入升至 19.7%，两者合计 52.7%，几乎垄断了权重。财务质量和价值因子全面失效。动态赋权精准识别了这一结构，把筹码全押在了动量类因子上。

一句话总结：这套策略的 alpha，主要由换手率和股息率贡献，前者是 A 股反转效应的体现，后者是价值风格的体现。基本面类因子在这段区间整体偏弱，动态赋权通过降低它们的权重，客观上做了一次"因子质量过滤"。

一个意外的发现：我"无意间"跟踪了沪深 300

讲一个很有意思的意外发现。

由于早期的失误，我没有适配 ICIR 的符号，导致因子合成变成了全部累加的形式：

也就是说，负向因子本来应该减去，但我把它加进去了。然后这个"错误"的策略跑出来的净值曲线，竟然意外地吻合沪深 300。

做了定量分析之后，发现事情没那么简单。

在正常策略中，f2（换手率）的 ICIR 负向占比高达 98.8%，f6（主力资金净流入）负向占比 93.8%，f4（应收账款周转天数）负向占比 87.7%。但在"跟踪"策略里，这三个因子的 |ICIR| 权重分别是 24.0%、13.5%、12.5%，合计占了 50% 的权重。

反过来，f3（股息率）正向占比 90.1%，在跟踪策略中权重仅 14.3%；f1（户均持股变化）正向占比 88.9%，权重仅 10.5%。

几个值得关注的事实：

  • f2 是 8 个因子中 ICIR 负向占比最高的（98.8%），同时也是 |ICIR| 权重最大的（24.0%）——符号和权重的"错配"在跟踪策略中表现得最突出。
  • 正常策略里被 clip 掉的三个因子（f2、f6、f4），在跟踪策略中合计占了 50% 的权重，而它们恰好是负向因子中 ICIR 信号最稳定的一批。

为什么方向全部抹平后，策略反而贴着沪深 300 走？我的猜测是：当正负方向被全部抹平后，多因子合成不再偏向任何特定风格，而是收敛到了市场的"平均态"。f3 和 f7 把组合拉向大盘蓝筹，f2 又把它拉回小盘成长，各种力量相互对冲后，持仓的市值分布、行业分布反而接近了 A 股最"中庸"的宽基指数。

这件事至少告诉我们：因子方向的处理，有时候比因子权重本身更重要。

数据准备的几个关键细节

这一步是整个回测中最容易出错的地方。

SQL 查询的时间对齐。 在 initialize 阶段一次性把所有数据拉下来，避免在 handle_data 里逐日查询。lag_fi 和 ret 的对齐关系是：在日期 t，lag_fi 是 t-22 日的因子值，ret 是 t-22 到 t 日的涨跌幅。用 t-22 日的因子预测 t-22 到 t 的收益，没有未来数据泄露，这是底线。

预计算每日 IC。 为了避免每次调仓重复计算，initialize 阶段会把整个回测区间内每一天的 IC 值全部算好，存成一个 DataFrame。IC 的计算手动实现 Spearman，而不是直接调 scipy，因为需要按日期分组批量算，手动实现效率更高：

x_mean = grp[lag_f].transform("mean")
y_mean = grp["ret_rank"].transform("mean")
dx, dy = x - x_mean, y - y_mean
numer  = (dx * dy).groupby(date).sum()
denom  = sqrt((dx²).groupby(date).sum() * (dy²).groupby(date).sum())
IC_t   = numer / denom  # 当日 Rank IC

当某日有效股票数不足 10 只时，该日 IC 记为 NaN，不参与窗口统计。

数据按日期索引。 handle_data 每天都会被调用，但只在调仓日执行逻辑。为了快速取当日因子数据，initialize 阶段把数据按日期做成字典，调仓时直接取，避免每次都做 DataFrame 过滤。

动态赋权适合谁

动态 IC 赋权不是银弹。它在结构性行情和因子轮动剧烈的年份是主场，在风格极速切换的年份会吃亏。但全区间来看，对于 TOP20 这个持仓规模，它在提升收益的同时有效降低了波动和贝塔，风险调整后的表现是四组策略里最好的。

这套方法最适合已经有一组因子、但不知道如何科学赋权的量化从业者。它不需要你对每个因子有极深的理解，而是通过数据驱动的方式，让市场自己告诉你哪个因子最近"更灵"。

当然，这条路还远没有走完。IC 窗口能不能自适应？阈值能不能根据市场环境动态调整？多因子之间的交互效应能不能建模？这些都是可以继续深挖的方向。

回测区间：2019-01-01 至 2026-04-12 | 基准：沪深 300 | 调仓频率：每 22 个交易日

评论
  • 好文！
{link}