最大化 ICIR 的滚动训练多因子选股策略
由bq5973r5创建，最终由neoblackxt 被浏览 47 用户
1. 策略概览
本策略面向 A 股沪深300成分股，采用多因子选股 + 指数增强思路：每次调仓前都用过去一段训练窗口的历史数据，重新训练因子权重，目标是让组合信号的 ICIR（Information Coefficient Information Ratio）最大化，从而得到更稳定的预测信号，并据此构建可交易组合。
策略特点：
- 滚动训练：权重不是固定的，每个交易日都可重新训练，适应市场风格变化；
- 显式最大化ICIR：权重通过优化器直接提升 ICIR，而不是仅计算后展示；
- 可交易：股票池过滤可交易性，TopN 等权持仓，按固定周期调仓，并计入手续费。
2. 股票池与数据过滤
数据来源：cn_stock_prefactors（BigQuant预处理因子库）
股票池及过滤条件（SQL中体现）：
- is_hs300 = 1：沪深300范围；
- st_status = 0：剔除 ST；
- suspended = 0：剔除停牌，保证可交易；
- pe_ttm > 0、pb > 0：估值因子有效；
- roe_avg_ttm IS NOT NULL：ROE有效。
这些过滤的目的不是“提升回测”，而是保证信号在实盘环境可落地：数据有效、标的可交易。
3. 因子体系与方向统一
策略使用 5 个因子，分别覆盖价值、质量、拥挤度、动量：
- 价值：pe_ttm、pb
- 质量：roe_avg_ttm
- 拥挤度：turn（换手率）
- 动量：momentum_5
训练阶段将因子方向统一为“越大越好”，便于权重解释：
- f1 = -1/pe_ttm（PE越低越好）
- f2 = -pb（PB越低越好）
- f3 = roe_avg_ttm（ROE越高越好）
- f4 = -turn（换手越低越不拥挤）
- f5 = momentum_5（动量越高越好）
4. 训练标签：未来 H 日收益（排序预测）
策略的预测周期为 H=5（未来5个交易日），训练标签定义为：
代码实现：
df_all['fwd_ret'] = df_all.groupby('instrument')['close'].shift(-H) / df_all['close'] - 1
说明：
- shift(-H) 把未来第5个交易日的收盘价对齐到今天这一行；
- 得到的是“从今天买入持有到第5天”的区间收益；
- 策略并不追求对收益率做点预测，而是通过因子对股票做排序，判断“谁更可能在未来5天表现更好”。
5. IC、ICIR 与训练数据结构
5.1 每日IC的计算
在训练窗口内，对每个交易日做一次横截面计算：
- 对每个因子做截面 rank（分位排序）以增强稳健性；
- 计算因子 rank 与未来收益 fwd_ret 的相关系数，得到当天该因子的 IC。
代码核心：
df_day[f'{col}_rank'] = df_day[col].rank(pct=True)
ic = df_day[f'{col}_rank'].corr(df_day['fwd_ret'])
这样，每一天会得到一个 5 维 IC 向量；过去 TRAIN_WINDOW=252 天会堆成一个 IC 矩阵：
- ic_mat 形状约为 [N_days, 5]
- 行：日期；列：5个因子
5.2 μ 与 Σ（协方差矩阵）的意义
对 ic_mat 做统计估计：
- μ：各因子 IC 的均值（有效性）
- Σ：因子 IC 的协方差矩阵（稳定性 + 重复信息结构）
代码实现：
mu = np.nanmean(ic_mat, axis=0) # shape [5]
cov = np.cov(ic_mat.T, ddof=1) # shape [5,5]
解释：
- μ 越大：该因子在过去窗口里平均更“有用”；
- Σ 对角线：因子IC波动大不大（稳不稳）；
- Σ 非对角线：因子是否经常一起强/一起弱（信息重复程度）。
6. 目标函数：用 μ 与 Σ 计算 ICIR(w)
组合因子的 ICIR 通过二次型写成：
对应代码函数 icir_from_mu_cov：
- 分子 mu @ w：组合IC均值
- 分母 sqrt(w @ cov @ w)：组合IC波动
该形式的好处是：不需要每次都回到全样本序列重新计算ICIR，可以直接在 μ/Σ 层面优化权重。
7. 权重约束：sum(|w|)=1（L1 归一化）
由于 ICIR 对权重整体缩放不敏感（w 乘常数，分子分母同比放大），优化过程中权重规模可能漂移，因此加入约束：
实现函数 project_l1：
w = w / np.sum(np.abs(w))
这使权重规模可控、便于解释，也更贴近实盘“总风险暴露”固定的风格。
8. 显式最大化ICIR：梯度上升 + 回溯步长
8.1 初始权重 w0：解 Σ·w = μ
为了加速收敛，先用线性方程求一个“方向很合理”的初值：
代码实现（含奇异矩阵兜底）：
try:
w0 = np.linalg.solve(cov, mu)
except np.linalg.LinAlgError:
w0, *_ = np.linalg.lstsq(cov, mu, rcond=None)
w0 = project_l1(w0)
说明：这一步给的是“好起点”，最终权重仍然通过后续优化得到。
8.2 maximize_icir：从 w0 出发把 ICIR 推到最大
优化器目标：
方法：
- 计算 ICIR 的解析梯度；
- 用 w ← w + η·grad 做梯度上升；
- 采用回溯步长：若更新后ICIR不升，就把步长减半；
- 每次更新后执行 project_l1 以保持约束。
关键点：
- 初始步长 lr=0.2，若不提升则依次变为 0.1、0.05...（最多尝试20次）
- 迭代上限 max_iter=200
- 提升幅度小于 tol=1e-9 认为收敛
调用处（滚动训练里）：
w, icir_mu_cov = maximize_icir(mu, cov, w0=w0, max_iter=200, lr=0.2, tol=1e-9)
9. 滚动训练主循环（权重随时间变化）
训练窗口长度 TRAIN_WINDOW=252，对回测期每个日期 current_date：
- 取过去252天作为训练集；
- 每天计算5维IC向量，形成 ic_mat；
- 估计 μ 与 Σ；
- 求初值 w0，并显式最大化ICIR得到 w*；
- 把 w* 存入 weights_history[current_date]，供后续打分选股。
同时，为了便于监控与解释，代码还计算了“基于真实组合IC序列”的ICIR：
ic_combo = ic_mat @ w
icir = np.nanmean(ic_combo) / np.nanstd(ic_combo)
日志里同时输出两种ICIR：
- icir_mu_cov：用 μ/Σ 二次型公式算的（优化器口径）
- icir：用训练窗口真实序列算的（直观口径）
二者应方向一致，差异主要来自样本估计误差与协方差估计方式。
10. 生成交易信号：打分、TopN、等权、调仓
训练得到每日权重后，进入交易信号生成：
- 取回测期因子数据，并对每个因子做横截面标准化 c_normalize，保证量纲一致；
- 综合得分：
- 选择 TOPN=30 只股票，等权配置 1/TOPN；
- 用 TradingDaysRebalance(REBALANCE_DAYS=5) 只在调仓日输出持仓，降低换手、对齐预测周期。
这套策略用“未来5日收益”作为训练目标，在每次调仓前用过去一年滚动估计因子IC分布，通过显式优化器直接最大化组合因子的ICIR，从而得到更稳定的综合信号，并据此构建Top30等权、5日调仓、计入成本的可交易组合。
https://bigquant.com/codesharev3/47104882-5666-4a34-9a46-ab7a1b17eb9a
\