量化：多因子模型

参考

单因子分析之IC/ICIR和T-test
多因子模型-分层回测
萝卜投研-构建量化因子分析体系
《股票多因子模型实战》

简介

多因子策略：使用某种指标或者多种指标对股票池进行筛选，这些用于选股的指标一般被称为因子。

多因子模型：也被叫做股票alpha策略，是使用多个因子综合考虑各因素建立的选股模型，其假设股票收益率能被一组共同因子和个股特异因素所解释。其优点在于能通过有限共同因子来有效筛选数量庞大的个股。

横截面数据：横截面指在特定时间点上对多个个体进行观察和测量的数据，横截面分析的目标是研究不同个体之间的差异和关系，寻找在给定时间点上具有较好表现的个体。

时序数据：一段时间内对单个个体或多个个体进行观察和测量的数据，一般用于基于高频行情数据的高频交易策略，如T0策略。

总览

单因子检验

用于判断因子有效性（包括显著性、稳定性）、因子方向（及其稳定性）、因子单调性。主要有ICIR、t值、分层回测三种，前两种常用于判断有效性，第三种用于判断因子单调性。

ICIR

示例如下

IC：即信息系数，代表因子对于收益的预测能力，为当期因子值与下期收益率的截面相关系数。常见的是计算rank IC作为IC值。IC值的绝对值越大，代表因子越有效，一般认为绝对值超过0.05时因子的选股能力较强；IC为负值时，因子值越小越好，IC为正值时，因子值越大越好。
如以月度收益率作为因子，一月为一期，可构造 股票代码-当月收益率的表，取相邻的两列截面数据（某月所有股票的收益率与下月所有股票的收益率）可计算一期的IC。

波动率：波动率指的是区间内IC值的标准差，好的Alpha因子的IC值应该相对稳定，波动越小越好。

胜率分析：对IC正负向的统计描述，越稳定在同一个方向越好，上图中负IC期数占比90%，且波动率较小，说明此因子较稳定。

IR：即信息系数信息，代表因子稳定获取收益的能力。整个回测时段由多个调仓周期组成，每个周期都能计算出一个IC值，IR为IC均值除以标准差，一般认为IR大于0.5时因子稳定获取超额收益的能力较强。

IC时序图如下：

横轴是时间，左右纵轴是数值。蓝色柱状图（左轴）是每期IC值，蓝色虚线（左轴）是IC的滚动均值，红色是每期IC值作T检验得到的P值（右轴），P值越接近0说明当期IC值在统计意义上显著，即当期因子确实有收益预测能力。

分行业IC图如下：

同一个因子在不同行业的适用性可能有差异，因此分行业计算，横轴为行业，左右纵轴为值，红线（右轴）为在区间内该行业内IC的胜率，即IC序列大于小于0的占比，可以判断因子作用方向的稳定性。

分市值IC图如下：

Alpha因子在不同市值股票的表现可能存在差异，横轴为按市值的股票分组，quantile1为市值最大组，可以看出该因子在大盘股中的选股效果显著弱于小盘股。
IC衰减图如下

IC衰减分析的是因子选股能力的时效性。横轴为 i 值，即用 t 期因子对 t + i 期收益率作预测的IC值，如果单个因子IC值衰减过快（如图），可能会导致较高的换手，相应的需要增加调仓频率

T检验

T检验用于检验一个样本平均数与一个已知的总体平均数的差异是否显著，如：对IC值序列进行均值检验，以得到这个数值是否显著区别于0.

分层回测

分层指对股票分层，回测指计算每层的股票组合的收益率。具体步骤为：

1. 每期获取股票池的因子值，然后升序排序并分为多层（一般是5层）。
2. 将每层的股票当作一个股票组合，计算这个组合整体的下期收益率（组合内各股票收益率的均值）。
3. 对一层内每期的收益率作统计分析，还可通过累乘，计算出每层的累计收益率，描绘净值曲线。

示例如下

Benchmark：不分层直接回测？
Q1-Qn：分n层，每层的回测结果

分组累计收益（绝对收益）图如下：

图示因子表现较好，因为各组收益率出现了明显分化。

分组年度分析如下

展示了分组测试在各年度的收益？

通过以下指标反映因子的单调性：

• 多空收益：

因子合成

对筛选出来的因子进行加权求和变成一个合成因子。

模型构造

根据合成因子的分值给股票池中的股票排序，然后根据合成因子的打分来计算哪支股票买多少比例，最简单的方法是选出前20%的股票然后等权买入.

股票调仓

假设现在是T时刻，调仓周期为t，计算出T时刻各股的合成因子值，并计算出一个股票组合PT，在一个调仓周期后，计算出新的股票组合PTt，用PTt - PT来调仓