单因子构建与检验：以市盈率倒数（EP）为例
因子投资的核心，说白了就是找到能预测收益的“信号”。今天我们就拿市盈率倒数（EP）这个经典因子开刀，完整走一遍构建、分组、回测、检验的流程。我个人习惯把这一步叫做“因子体检”——因子好不好，拉出来遛遛就知道。
1. 因子构建：从原始数据到因子值
市盈率倒数，就是Earnings / Price。为什么用倒数？因为市盈率高的股票可能亏损或微利，用倒数后数值分布更平滑，逻辑上也更直观——EP越高，说明每块钱股价对应的盈利越多。
构建步骤其实就三步：
- 取数据：每个月底，拿到所有股票的市值（Price * Shares）和净利润（TTM）。
- 算因子：EP = 净利润 / 市值。注意净利润要用最近四个季度的滚动值。
- 去极端：我习惯用MAD（中位数绝对偏差）法，把超过5倍MAD的极端值截断。不然一个负几百倍的EP能把整个分组搞崩。
核心代码片段：
import pandas as pd
import numpy as np
# 假设df包含每只股票每月的市值和净利润
df['EP'] = df['net_profit_ttm'] / df['market_cap']
# MAD去极值
def winsorize_mad(series, n=5):
median = series.median()
mad = (series - median).abs().median()
upper = median + n * mad
lower = median - n * mad
return series.clip(lower, upper)
df['EP'] = df.groupby('date')['EP'].transform(winsorize_mad)嗯，这里要注意：净利润数据有滞后性。年报4月底才出完，所以5月底用的EP应该基于上一年年报。我早期做回测时没注意这个，结果策略收益虚高了一大截——后来被实盘狠狠教育了。
2. 分组回测：把股票分成10组
因子值算好了，接下来就是分组。每个月按EP从低到高排，等分成10组。组1是EP最低的（最“贵”的股票），组10是EP最高的（最“便宜”的）。
分组后，每组按市值加权构建组合，每月调仓一次。为什么用市值加权？因为等权容易让小市值股票主导收益，而市值加权更贴近真实交易。
避坑指南：我曾经在分组时用了全市场排序，结果小市值股票全挤在EP极端组里。后来改成每个行业内部排序，再合并分组——这样组内的行业分布更均匀，因子纯度更高。
回测结果长这样（2010-2023年，A股数据）：
| 分组 | 年化收益率 | 年化波动率 | 夏普比率 |
|---|---|---|---|
| 组1（低EP） | 4.2% | 22.1% | 0.19 |
| 组5（中EP） | 8.7% | 20.5% | 0.42 |
| 组10（高EP） | 14.3% | 19.8% | 0.72 |
看到没？从组1到组10，收益单调递增。这就是因子有效性的直观证据。你想想看，如果组10收益还不如组1，那这个因子就是反向指标。
3. 多空组合收益计算
分组看的是单调性，但真正衡量因子赚钱能力的是多空组合——做多组10，做空组1。这个组合的收益就是因子溢价。
计算很简单：
# 假设returns是每组的月度收益率
long_short = returns['group10'] - returns['group1']
annual_return = long_short.mean() * 12
annual_vol = long_short.std() * np.sqrt(12)
sharpe = annual_return / annual_vol
print(f"多空年化收益: {annual_return:.2%}")
print(f"多空夏普: {sharpe:.2f}")我跑出来的结果是：多空年化收益约10.1%，夏普比率0.85。这个数字在A股算不错了，但别高兴太早——后面还要做统计检验。
4. t检验：收益是不是真的？
多空组合月均收益是0.84%，但万一只是随机波动呢？t检验就是回答这个问题的。
原假设：多空组合的期望收益为0。如果t统计量绝对值大于2（对应95%置信度），我们就拒绝原假设，认为因子确实有预测能力。
from scipy import stats
t_stat, p_value = stats.ttest_1samp(long_short, 0)
print(f"t统计量: {t_stat:.2f}, p值: {p_value:.4f}")我算出来t=3.21，p=0.0014。嗯，显著。但要注意：t检验假设收益是独立同分布的，而实际金融数据有自相关和异方差。所以这个p值只能当参考，别太迷信。
重要提醒：t检验显著不等于因子未来有效。数据挖掘偏差、幸存者偏差、交易成本……随便哪个都能把显著变成不显著。我见过太多人拿着t=5的因子去实盘，结果亏得底裤都不剩。
5. IC值分析：因子与收益的相关性
IC（Information Coefficient）衡量的是因子值与未来收益的截面相关性。常用的是Spearman秩相关系数，因为它对极端值不敏感。
计算逻辑：每个月，算所有股票的EP排名与下月收益排名的相关系数。然后看IC的均值、标准差、IR（IC均值/IC标准差）。
# 每月计算IC
def calc_ic(factor_series, return_series):
return stats.spearmanr(factor_series, return_series)[0]
ic_series = df.groupby('date').apply(
lambda g: calc_ic(g['EP'], g['return_1m'])
)
print(f"IC均值: {ic_series.mean():.4f}")
print(f"IC标准差: {ic_series.std():.4f}")
print(f"IR: {ic_series.mean() / ic_series.std():.2f}")我算出来的EP因子IC均值约0.035，IR=0.48。这个IR值在单因子里算中等偏上。IR大于0.5就算不错了，大于1.0就是顶级因子。
但IC也有坑：它只衡量线性关系。有些因子对极端收益的预测能力很强，但IC值可能不高。所以我会同时看IC的累积曲线——如果累积IC稳步向上，说明因子信号稳定；如果忽上忽下，那就要小心了。
6. 本章核心逻辑图
下面这张图把整个流程串起来了。从原始数据到最终检验，每一步都有坑，每一步也都有解法。
7. 小结：因子检验的“体检报告”
做完这一整套流程，你手里应该有三张表：分组收益表、t检验结果、IC统计量。这三张表就是因子的“体检报告”。
我个人习惯把结果整理成一张评分卡：
- 单调性：组1到组10收益是否严格递增？给1-5分
- 显著性：t统计量是否大于2？给1-5分
- 稳定性：IC的IR是否大于0.5？给1-5分
- 容量：多空组合的换手率是否可控？给1-5分
总分超过15分，这个因子就可以进入下一轮——多因子组合构建。如果低于10分，我建议直接放弃，别浪费时间。
嗯，EP因子我给了16分。它简单、透明、逻辑清晰，虽然收益不算爆炸，但胜在稳定。你想想看，一个能稳定赚钱的因子，比一个偶尔暴赚但经常暴亏的因子，哪个更让人睡得着觉？
最后一句经验之谈：因子检验不是一次性工作。每半年要重新跑一遍流程，因为市场结构在变。我见过太多因子前三年有效、后三年失效的例子。定期体检，才能活得久。
公众号:蓝海资料掘金营，微信deep3321