2. Alpha衰减的度量方法：信息系数(IC)衰减、收益衰减曲线、衰减半衰期计算

好，咱们接着聊Alpha衰减的度量。说实话，这部分内容是我在实际工作中反复打磨过的。你想想看，一个策略好不好，不能光看它赚不赚钱，还得看它能赚多久的钱。这就是Alpha衰减要回答的问题。

我个人习惯把度量方法分成三个维度：IC衰减、收益衰减曲线、半衰期计算。这三个东西，说白了就是从不同角度去观察同一个现象——你的Alpha信号到底能活多久。

2.1 信息系数(IC)衰减

IC衰减，是我最常用的一个指标。为什么？因为它干净、直接。

IC（信息系数）衡量的是你的预测值和实际收益之间的相关性。那IC衰减呢，就是看这个相关性随时间怎么变化。

我在项目中遇到过这样的情况：一个基于高频订单流的因子，IC在T+0时高达0.08，但到了T+1就掉到0.02，T+2直接归零。嗯，这就是典型的「短命因子」。

计算IC衰减的步骤其实不复杂：

1. 对每个时间点t，计算因子值和未来k期的收益之间的秩相关系数
2. k从1取到N（比如20个交易日）
3. 观察IC值随k的变化趋势

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

def calc_ic_decay(factor_series, forward_returns, max_lag=20):
    """
    计算IC衰减序列
    factor_series: 因子值，index为时间，columns为股票
    forward_returns: 未来收益，index为时间，columns为股票
    """
    ic_decay = []
    for lag in range(1, max_lag + 1):
        # 对齐数据
        aligned_factor = factor_series.shift(lag)
        aligned_ret = forward_returns
        
        # 逐日计算IC再取均值
        daily_ics = []
        for date in aligned_factor.index:
            if date in aligned_ret.index:
                f = aligned_factor.loc[date].dropna()
                r = aligned_ret.loc[date].dropna()
                common = f.index.intersection(r.index)
                if len(common) > 30:  # 至少30只股票
                    ic, _ = spearmanr(f[common], r[common])
                    daily_ics.append(ic)
        
        ic_decay.append(np.mean(daily_ics))
    
    return ic_decay

# 使用示例
ic_curve = calc_ic_decay(my_factor, forward_ret_1d, max_lag=20)
print(f"T+0 IC: {ic_curve[0]:.4f}")
print(f"T+5 IC: {ic_curve[4]:.4f}")
print(f"T+10 IC: {ic_curve[9]:.4f}")

2.2 收益衰减曲线

收益衰减曲线，这个更直观。说白了就是看你的策略收益随时间怎么变化。

我记得有一次给老板汇报，他问我：「你这个策略到底能管几天？」我当时就画了张收益衰减曲线图，他一看就明白了。

收益衰减曲线的做法是这样的：

• 把股票按因子值分成10组（Decile）
• 计算每组在未来1天、2天、3天...N天的累计收益
• 看多头组和空头组的收益差随时间的变化

这里有个关键点——你要区分「累计收益」和「边际收益」。累计收益是越滚越大的，但边际收益是逐渐减小的。我们真正关心的是边际收益什么时候归零。

def calc_return_decay(factor_df, return_df, n_groups=10, max_hold=20):
    """
    计算收益衰减曲线
    返回：每个持有期下，多空组合的累计收益
    """
    results = []
    for hold_period in range(1, max_hold + 1):
        # 计算未来hold_period期的累计收益
        future_ret = return_df.rolling(window=hold_period).sum().shift(-hold_period)
        
        # 分组
        factor_rank = factor_df.rank(axis=1, pct=True)
        groups = pd.qcut(factor_rank, n_groups, labels=False, axis=1)
        
        # 计算每组平均收益
        group_returns = []
        for g in range(n_groups):
            mask = (groups == g)
            ret = future_ret[mask].mean(axis=1).mean()
            group_returns.append(ret)
        
        # 多空收益差（第10组 - 第1组）
        long_short = group_returns[-1] - group_returns[0]
        results.append(long_short)
    
    return results

2.3 衰减半衰期计算

衰减半衰期，这个概念是从物理学借来的。它指的是你的Alpha信号衰减到初始强度一半所需要的时间。

为什么要算这个？因为半衰期是一个很直观的数字。你说「这个策略半衰期是5天」，别人一听就懂了。比看一堆曲线图要方便得多。

计算半衰期的方法有好几种，我推荐用指数衰减模型来拟合：

from scipy.optimize import curve_fit
import numpy as np

def half_life_calculation(ic_decay_series):
    """
    通过指数衰减模型计算半衰期
    模型: IC(t) = IC_0 * exp(-lambda * t)
    半衰期: T_1/2 = ln(2) / lambda
    """
    def exp_decay(t, ic0, lam):
        return ic0 * np.exp(-lam * t)
    
    t = np.arange(1, len(ic_decay_series) + 1)
    y = ic_decay_series
    
    # 拟合
    try:
        popt, _ = curve_fit(exp_decay, t, y, p0=[y[0], 0.1])
        ic0, lam = popt
        half_life = np.log(2) / lam
        return half_life, ic0, lam
    except:
        return None, None, None

# 使用
ic_curve = [0.05, 0.042, 0.035, 0.029, 0.024, 0.02, 0.017, 0.014]
hl, ic0, lam = half_life_calculation(ic_curve)
print(f"初始IC: {ic0:.4f}")
print(f"衰减速率: {lam:.4f}")
print(f"半衰期: {hl:.1f} 天")

2.4 三种方法的对比与选择

这三种方法，各有各的用处。我一般会这样用：

方法	优点	缺点	适用场景
IC衰减	干净、统计意义强	对异常值敏感	因子筛选、信号质量评估
收益衰减曲线	直观、贴近实际收益	受市场环境影响大	策略调仓频率决策
半衰期计算	单一数字、易于比较	假设指数衰减，不一定符合实际	因子横向对比、组合管理

你想想看，这三种方法其实是从不同角度回答同一个问题。IC衰减告诉你信号质量怎么变，收益衰减告诉你钱怎么变，半衰期告诉你时间尺度是多少。

2.5 知识体系总览

下面这张图，是我自己整理的知识体系。你可以看到，三种度量方法不是孤立的，它们共同构成了Alpha衰减分析的核心框架。

嗯，这张图基本把这一章的核心内容都串起来了。你从中心往外看，先选度量方法，再看具体指标，最后落到调仓决策上。这就是我平时做Alpha衰减分析的完整流程。

---

公众号:蓝海资料掘金营，微信deep3321