单因子测试框架：IC分析、分组回测、多空组合收益、换手率分析

做量化选股的朋友都知道，因子选股的核心就一句话：找到能预测未来收益的特征。但问题来了——你怎么知道这个因子真的有效？

我见过太多人，拿着一个因子回测曲线漂亮得不行，实盘一跑就崩。为什么？因为没做严格的单因子测试。今天我就把这一整套框架掰开揉碎了讲给你听。

一、IC分析：因子与收益的相关性检验

IC（Information Coefficient）说白了就是因子值和未来收益之间的相关系数。我习惯用Spearman秩相关系数，因为它对极端值不敏感。

具体做法很简单：

• 在每个截面期（比如每月末），计算所有股票的因子值
• 计算因子值与下一期收益的秩相关系数
• 得到一条IC时间序列

为什么要看IC？因为它告诉你因子有没有预测能力。IC为正，说明因子值越大，未来收益越高；IC为负，说明因子值越小，未来收益越高。

代码实现也不复杂：

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

def calc_ic(factor_df, return_df):
    """
    factor_df: 因子值，index为股票代码，columns为时间
    return_df: 未来收益，index为股票代码，columns为时间
    """
    ic_series = pd.Series(index=factor_df.columns, dtype=float)
    
    for date in factor_df.columns:
        # 剔除缺失值
        valid = factor_df[date].notna() & return_df[date].notna()
        if valid.sum() < 30:  # 样本太少不计算
            continue
        ic_series[date] = spearmanr(
            factor_df[date][valid], 
            return_df[date][valid]
        )[0]
    
    return ic_series

# 使用示例
ic = calc_ic(factor_values, forward_returns)
print(f"IC均值: {ic.mean():.4f}")
print(f"IC标准差: {ic.std():.4f}")
print(f"IR: {ic.mean()/ic.std():.4f}")

二、分组回测：看因子在不同区间的表现

IC分析只能告诉你因子和收益有没有线性关系。但实际中，因子的预测能力可能不是线性的——比如只有极端值才有预测力。

分组回测就是解决这个问题的。我通常把股票按因子值分成10组（Decile），然后看每组的表现。

具体步骤：

1. 在每个截面期，按因子值从小到大排序
2. 等分成10组，第1组因子值最小，第10组最大
3. 计算每组在持有期内的等权收益
4. 时间序列上累加，得到每组净值曲线

你想想看，如果因子真的有效，那么第1组和第10组的收益应该有明显差异。而且组间收益应该是单调的——因子值越大，收益越高（或越低）。

分组回测的净值曲线长这样：

def group_backtest(factor_df, return_df, n_groups=10):
    """
    分组回测主函数
    """
    group_returns = pd.DataFrame(index=return_df.index, 
                                 columns=range(n_groups))
    
    for date in factor_df.columns:
        # 排序分组
        ranked = factor_df[date].rank(method='first')
        group = (ranked - 1) // (len(ranked) // n_groups)
        group = group.clip(0, n_groups - 1)
        
        # 计算每组收益
        for g in range(n_groups):
            mask = group == g
            group_returns.loc[date, g] = return_df[date][mask].mean()
    
    # 计算累计净值
    nav = (1 + group_returns).cumprod()
    return nav

三、多空组合收益：剥离市场影响

分组回测有个问题——它包含了市场整体的涨跌。如果某段时间市场大涨，所有组都涨，你很难判断因子是否真的有效。

多空组合就是解决这个问题的。做法很简单：做多第10组（因子值最大），做空第1组（因子值最小）。这样市场涨跌的影响就被对冲掉了，剩下的就是因子本身的选股能力。

我个人习惯把多空组合的年化收益、夏普比率、最大回撤都算出来。一个优秀的因子，多空组合年化收益应该在5%以上，夏普比率大于1。

代码实现：

def long_short_analysis(group_nav):
    """
    分析多空组合表现
    group_nav: 分组净值，shape为(时间, 组别)
    """
    # 多空组合净值
    ls_nav = group_nav.iloc[:, -1] / group_nav.iloc[:, 0]
    ls_returns = ls_nav.pct_change().dropna()
    
    # 计算指标
    annual_return = ls_nav.iloc[-1] ** (252 / len(ls_nav)) - 1
    annual_vol = ls_returns.std() * np.sqrt(252)
    sharpe = annual_return / annual_vol
    
    # 最大回撤
    cummax = ls_nav.cummax()
    drawdown = (ls_nav - cummax) / cummax
    max_dd = drawdown.min()
    
    return {
        '年化收益': f"{annual_return:.2%}",
        '年化波动': f"{annual_vol:.2%}",
        '夏普比率': f"{sharpe:.2f}",
        '最大回撤': f"{max_dd:.2%}",
        '胜率': f"{(ls_returns > 0).mean():.2%}"
    }

四、换手率分析：因子的交易成本

很多人在单因子测试中忽略换手率，这是个大坑。一个因子即使IC很高、多空收益很好，但如果换手率太高，交易成本会吃掉大部分收益。

换手率的计算方式：

• 在每个调仓日，计算当前持仓与上一期持仓的差异
• 换手率 = 买入股票数量 + 卖出股票数量 / 总持仓数量
• 通常按双边计算，即买入和卖出都算

我建议把换手率分成两部分看：

1. 绝对换手率：因子本身的换手率，反映因子的稳定性
2. 净换手率：多空组合的换手率，反映交易成本

换手率分析的代码：

def turnover_analysis(factor_df, n_groups=10, top_pct=0.1):
    """
    分析因子换手率
    """
    turnover = []
    
    prev_top = None
    for date in factor_df.columns:
        # 取因子值最大的10%作为持仓
        threshold = factor_df[date].quantile(1 - top_pct)
        current_top = set(factor_df[date][factor_df[date] >= threshold].index)
        
        if prev_top is not None:
            # 计算换手率
            turnover_rate = len(current_top - prev_top) / len(current_top)
            turnover.append(turnover_rate)
        
        prev_top = current_top
    
    turnover = pd.Series(turnover, index=factor_df.columns[1:])
    
    return {
        '月均换手率': f"{turnover.mean():.2%}",
        '换手率标准差': f"{turnover.std():.2%}",
        '最大月换手率': f"{turnover.max():.2%}"
    }

五、综合评估：四个维度缺一不可

好了，四个维度都讲完了。在实际项目中，我是怎么用的？

我会做一个综合评分表：

维度	优秀	一般	差
IC均值	> 0.05	0.02 ~ 0.05	< 0.02
IR	> 1.0	0.5 ~ 1.0	< 0.5
多空年化	> 10%	5% ~ 10%	< 5%
多空夏普	> 1.5	1.0 ~ 1.5	< 1.0
月均换手率	< 30%	30% ~ 60%	> 60%

只有四个维度都达标，我才会考虑把这个因子纳入组合。嗯，这里要注意——不要只看单一指标。我见过IC很高但换手率爆炸的因子，也见过多空收益很好但分组不单调的因子。这些都有问题。

最后，用一张图总结整个单因子测试框架：

说白了，单因子测试就是给因子做「体检」。IC分析看相关性，分组回测看单调性，多空组合看超额收益，换手率看交易成本。四个维度都过了，这个因子才值得你花时间去优化和组合。

记住一句话：没有经过严格单因子测试的因子，都是耍流氓。

---

公众号:蓝海资料掘金营，微信deep3321