第四章 因子评价体系：IC/IR分析、分层回测、多空组合收益计算

因子挖出来，不能直接扔到模型里。你得先问问它：这玩意儿到底有没有预测能力？

我见过太多人，挖了一堆因子，回测曲线漂亮得不行，一上实盘就崩。为什么？因为评价体系没搭好。今天我们就来聊聊，怎么用Python搭一套靠谱的因子评价框架。

4.1 因子评价的核心逻辑

说白了，因子评价就是回答三个问题：

• 这个因子和未来收益有没有关系？——IC分析
• 这个关系稳不稳定？——IR分析
• 按这个因子选股，能不能赚钱？——分层回测 & 多空组合

我个人习惯，先跑IC，再看分层回测。IC不过关的因子，后面就不用看了，省时间。

嗯，这里要注意：IC算的是截面相关性，不是时间序列。你想想看，每个时间点，所有股票的因子值和未来收益算一个相关系数，这才叫截面IC。

4.2 用Python搭建IC/IR分析模块

先上代码。我习惯用pandas和scipy，干净利落。

import pandas as pd
import numpy as np
from scipy.stats import spearmanr

def calc_ic(factor_df, return_df, method='spearman'):
    """
    计算每日截面IC
    factor_df: index=日期, columns=股票代码, values=因子值
    return_df: index=日期, columns=股票代码, values=未来一期收益
    """
    dates = factor_df.index
    ic_series = pd.Series(index=dates, dtype=float)
    
    for dt in dates:
        f = factor_df.loc[dt].dropna()
        r = return_df.loc[dt].dropna()
        common = f.index.intersection(r.index)
        if len(common) < 30:
            continue
        if method == 'spearman':
            ic, _ = spearmanr(f[common], r[common])
        else:
            ic = f[common].corr(r[common])
        ic_series[dt] = ic
    
    return ic_series

def calc_ir(ic_series):
    """计算IR = mean(IC) / std(IC)"""
    return ic_series.mean() / ic_series.std()

我在项目中遇到过一个问题：有些日期股票数量太少，算出来的IC噪音很大。所以我加了个阈值，少于30只股票就不算。这个经验值你可以根据自己数据调整。

4.3 分层回测：看看因子怎么分组

IC告诉你相关性，但实际交易中，我们更关心：按因子排序，买前10%卖后10%，能赚多少？

分层回测就是干这个的。每个月（或每天）按因子值把股票分成N组，分别计算每组未来的收益。

def layer_backtest(factor_df, return_df, n_layers=10):
    """
    分层回测
    返回每组的累计收益序列
    """
    dates = factor_df.index
    layer_returns = {i: [] for i in range(n_layers)}
    
    for dt in dates:
        f = factor_df.loc[dt].dropna()
        r = return_df.loc[dt].dropna()
        common = f.index.intersection(r.index)
        if len(common) < n_layers * 10:
            continue
        
        # 按因子值排序，分成n_layers组
        sorted_stocks = f[common].sort_values()
        group_size = len(sorted_stocks) // n_layers
        
        for i in range(n_layers):
            start = i * group_size
            end = (i + 1) * group_size if i < n_layers - 1 else len(sorted_stocks)
            group_stocks = sorted_stocks.index[start:end]
            group_return = r[group_stocks].mean()
            layer_returns[i].append(group_return)
    
    # 转成DataFrame
    result = pd.DataFrame(layer_returns, index=dates[:len(layer_returns[0])])
    result.columns = [f'Layer_{i+1}' for i in range(n_layers)]
    return result

我曾经犯过一个错：分层时没考虑停牌股票。结果回测收益虚高，因为停牌股在复牌后往往有补涨。后来我加了过滤条件，停牌期间不纳入分组。

4.4 多空组合收益计算

多空组合，说白了就是做多第一层，做空最后一层。这是检验因子选股能力的黄金标准。

def long_short_return(layer_returns, long_layer=0, short_layer=-1):
    """
    计算多空组合收益
    long_layer: 做多的层索引（默认第1层）
    short_layer: 做空的层索引（默认最后一层）
    """
    long_ret = layer_returns.iloc[:, long_layer]
    short_ret = layer_returns.iloc[:, short_layer]
    
    # 多空收益 = 多头收益 - 空头收益
    ls_ret = long_ret - short_ret
    
    # 累计收益
    cum_ret = (1 + ls_ret).cumprod()
    
    # 年化收益率
    annual_ret = (cum_ret.iloc[-1] ** (252 / len(cum_ret))) - 1
    
    # 夏普比率
    sharpe = ls_ret.mean() / ls_ret.std() * np.sqrt(252)
    
    return {
        'cumulative_return': cum_ret,
        'annual_return': annual_ret,
        'sharpe_ratio': sharpe,
        'max_drawdown': (cum_ret / cum_ret.cummax() - 1).min()
    }

你想想看，如果多空组合的夏普比率能到1.5以上，这个因子基本可以实盘了。当然，前提是样本外测试也过得了关。

4.5 因子评价框架图

下面这张图，是我自己总结的因子评价流程。每次开发新因子，我都按这个走一遍。

4.6 综合评价报告

最后，我把所有指标汇总成一个评价报告。这样一眼就能看出因子好坏。

def factor_evaluation_report(factor_df, return_df, n_layers=10):
    """生成因子综合评价报告"""
    # 1. IC分析
    ic_series = calc_ic(factor_df, return_df)
    ir = calc_ir(ic_series)
    
    # 2. 分层回测
    layer_ret = layer_backtest(factor_df, return_df, n_layers)
    
    # 3. 多空组合
    ls_result = long_short_return(layer_ret)
    
    # 4. 输出报告
    report = {
        'IC_mean': ic_series.mean(),
        'IC_std': ic_series.std(),
        'IR': ir,
        'IC_positive_ratio': (ic_series > 0).mean(),
        'Layer_returns': layer_ret,
        'Long_short_annual_return': ls_result['annual_return'],
        'Long_short_sharpe': ls_result['sharpe_ratio'],
        'Long_short_max_drawdown': ls_result['max_drawdown']
    }
    
    return report

记住，因子评价不是一次性工作。随着市场变化，因子的表现也会变。我建议每个月重新跑一次评价，看看因子有没有衰减。如果IC持续走低，就该考虑替换了。

好了，这套框架你拿去用。代码可以直接跑，但参数要根据你的数据调整。有什么问题，欢迎交流。

---

公众号:蓝海资料掘金营，微信deep3321