第3章因子衰减的度量方法

因子衰减的度量方法：IC衰减、Rank IC衰减、多空收益衰减

聊完了因子为什么会衰减，咱们得面对一个更实际的问题——怎么量化这个衰减？

说白了，你光知道因子会衰减还不够，你得知道它衰减得有多快、什么时候该换仓。我早年做CTA策略时，就吃过这个亏。当时一个动量因子表现特别好，我舍不得换，结果后面三个月回撤了20%。嗯，从那以后，我养成了一个习惯：每次上线策略前，先把衰减曲线画出来。

IC衰减：最直接的度量方式

IC（信息系数）大家应该不陌生，就是因子值和下一期收益的相关系数。那IC衰减怎么算？很简单——看IC随时间的变化趋势。

具体做法是这样的：

计算因子在t时刻的值与t+1期收益的IC
再算t时刻因子与t+2期收益的IC
一直算到t+k期

把这些IC值连成一条线，就是IC衰减曲线。如果曲线下降得很快，说明因子失效得也快。

  关键判断标准：
  IC半衰期：IC衰减到初始值一半所需的时间
IC衰减率：每期IC下降的百分比
IC显著性窗口：IC显著不为0的期数

举个例子，我做过一个A股的低波因子研究。它的IC半衰期大概是3个月。也就是说，3个月后这个因子的预测能力就只剩一半了。你想想看，如果你还拿着半年前的因子信号做交易，那效果能好吗？

Rank IC衰减：更稳健的选择

Rank IC和普通IC的区别，说白了就是一个用排名，一个用原始值。我个人习惯用Rank IC，为什么？因为它在极端值面前更稳。

我记得有一次做因子测试，数据里有个股票因为停牌复牌，收益率出现了异常值。普通IC直接崩了，从0.08掉到-0.03。但Rank IC只从0.06降到了0.04。这就是排名的好处——它不受极端值干扰。

Rank IC衰减的计算方法和普通IC一样，只是把原始值换成排名：

# 计算Rank IC衰减
def rank_ic_decay(factor, forward_returns, max_lag=10):
    rank_ic_list = []
    for lag in range(1, max_lag + 1):
        # 对因子和未来收益分别排名
        factor_rank = factor.rank()
        return_rank = forward_returns.shift(-lag).rank()
        # 计算排名相关系数
        rank_ic = factor_rank.corr(return_rank)
        rank_ic_list.append(rank_ic)
    return rank_ic_list

这段代码我用了好几年，基本没出过问题。你注意看，我用了.rank()把原始值转成排名，然后再算相关系数。这样即使数据里有异常值，也不会影响整体结果。

我的经验：

当因子分布偏态严重时（比如市值因子），Rank IC比普通IC更可靠。我曾经对比过100多个因子，Rank IC的衰减曲线普遍比普通IC平滑30%以上。

多空收益衰减：最直观的验证

IC和Rank IC说到底还是统计指标，不够直观。多空收益衰减就不一样了——它直接告诉你，做多因子得分最高的股票、做空得分最低的股票，这个组合的收益怎么随时间变化。

计算步骤其实不复杂：

按因子值把股票分成10组（或5组）
做多第1组（因子值最高），做空第10组（因子值最低）
计算这个多空组合在t+1、t+2...t+k期的累计收益

如果多空收益在持有期逐渐下降，甚至变成负的，那就说明因子在衰减。

持有期	多空收益	衰减状态
1个月	2.5%	有效
2个月	1.8%	开始衰减
3个月	0.9%	明显衰减
4个月	0.2%	接近失效
5个月	-0.3%	完全失效

你看这个表格，多空收益从2.5%一路降到-0.3%。到第5个月的时候，这个因子不仅没赚钱，反而亏钱了。这就是为什么我强调要动态调仓——你不能指望一个因子永远有效。

避坑指南：

我曾经犯过一个错误：只看多空收益的绝对值，忽略了它的衰减速度。结果一个因子虽然收益不错，但衰减特别快，调仓频率跟不上，实际收益大打折扣。后来我学乖了，每次都会同时看多空收益的累计值和边际变化率。

三种方法的对比与选择

这三种方法各有优劣，我一般会结合着用：

IC衰减：适合快速筛选因子，计算简单，但对异常值敏感
Rank IC衰减：适合稳健性要求高的场景，不受极端值影响
多空收益衰减：最直观，适合向非技术背景的同事解释

我个人习惯是先用Rank IC做初步筛选，再用多空收益做最终验证。这样既能保证稳健性，又能直观展示结果。

为什么会这样？因为Rank IC能帮你过滤掉那些"假有效"的因子——有些因子可能只是运气好，碰到了几个极端值。而多空收益能让你看到真实的交易效果，毕竟我们做量化不是为了算相关系数，是为了赚钱。

嗯，这里要注意一点：这三种方法给出的衰减结论可能不一致。比如IC衰减很快，但多空收益衰减很慢。这时候怎么办？我的建议是相信多空收益。因为IC衡量的是线性相关性，而多空收益衡量的是实际分组效果。有时候因子和收益的关系不是线性的，IC会低估因子的持续性。

最后说一句，因子衰减的度量不是一次性工作。我建议你每季度重新计算一次衰减曲线，看看因子的"健康状况"。如果发现衰减速度在加快，那就得考虑换因子或者调整权重了。

记住，没有永远有效的因子，只有不断更新的策略。