因子半衰期模型：指数衰减模型、半衰期计算、实际案例

好，咱们接着聊因子衰减。上一章我们讲了因子衰减的几种常见形态，这一章我重点说说怎么量化这个衰减过程。说白了，就是给因子的“寿命”定个标尺。

我个人习惯用半衰期模型来做这件事。为什么？因为它直观，而且计算起来不复杂。你想想看，一个因子从有效到失效，不是突然“啪”一下就没用了，而是慢慢衰减的。半衰期就是衡量这个“慢慢”到底有多慢。

指数衰减模型：最常用的假设

在实际量化工作中，我们最常假设因子的预测能力是按指数形式衰减的。这个假设不是拍脑袋，而是有实证基础的。我在项目中测试过几十个因子，大部分都符合这个规律。

指数衰减的数学表达式很简单：

IC(t) = IC₀ × exp(-λ × t)

其中：

• IC(t)：t时刻的IC值
• IC₀：初始IC值（刚构建时的预测能力）
• λ：衰减速率常数
• t：时间（通常以月或交易日为单位）

嗯，这里要注意一点：λ越大，衰减越快。这个参数就是我们后面计算半衰期的关键。

半衰期计算：从λ到T₁/₂

半衰期（Half-life，记作T₁/₂）的计算其实就一个公式：

T₁/₂ = ln(2) / λ ≈ 0.693 / λ

举个例子：假设你算出一个因子的λ=0.1（按月计），那么它的半衰期就是0.693/0.1 ≈ 6.93个月。也就是说，大约7个月后，这个因子的预测能力就只剩下一半了。

我曾经踩过一个坑：直接用日频数据算λ，然后换算成月频半衰期。结果发现算出来的半衰期特别短，只有几天。后来才意识到，日频数据噪声太大，需要先做平滑处理。这个教训让我养成了一个习惯——计算半衰期前，先看数据的时间尺度是否匹配。

import numpy as np
from scipy.optimize import curve_fit

def exp_decay(t, ic0, lam):
    return ic0 * np.exp(-lam * t)

# 假设你有时间序列t和对应的IC值ic_values
t = np.array([0, 1, 2, 3, 4, 5, 6])  # 月份
ic_values = np.array([0.08, 0.065, 0.05, 0.04, 0.03, 0.025, 0.02])

params, _ = curve_fit(exp_decay, t, ic_values, p0=[0.08, 0.1])
ic0_fit, lam_fit = params
half_life = np.log(2) / lam_fit

print(f"拟合初始IC: {ic0_fit:.4f}")
print(f"衰减速率λ: {lam_fit:.4f}")
print(f"半衰期: {half_life:.2f} 个月")

这段代码我用了好几年，基本没出过问题。不过要提醒一句：拟合前最好把异常值剔除掉，不然结果会偏得离谱。

实际案例：一个动量因子的半衰期分析

说个真实案例吧。去年我帮一家私募做因子诊断，他们有一个12个月动量因子，回测表现一直不错，但最近半年突然失效了。我拿到数据后，第一件事就是算半衰期。

数据是这样的（按月统计）：

月份	Rank IC	累积衰减比例
0（构建时）	0.082	0%
1	0.071	13.4%
2	0.063	23.2%
3	0.055	32.9%
4	0.048	41.5%
5	0.042	48.8%
6	0.036	56.1%

用上面的代码拟合后，得到λ≈0.12，半衰期≈5.8个月。这意味着什么？这个因子在构建后的第6个月，预测能力已经跌了一半以上。而他们还在用12个月的持仓周期，难怪会失效。

后来我给他们的建议是：把调仓周期从12个月缩短到6个月，同时加入半衰期预警机制——当因子IC衰减到初始值的30%以下时，自动触发调仓。调整后，这个因子的夏普比率从0.6回升到了1.2左右。

半衰期模型的局限性

说实话，指数衰减模型也不是万能的。我在实际工作中发现几个问题：

• 非线性衰减：有些因子不是平滑衰减的，而是先快速下降，然后趋于平稳。这时候用指数模型拟合，误差会比较大。
• 市场冲击：当大量资金都盯着同一个因子时，它的衰减速度会突然加快。这就是所谓的“拥挤效应”。指数模型没法捕捉这种突变。
• 周期性复苏：有些因子在衰减一段时间后，会因为市场风格切换而重新有效。指数模型假设的是单调衰减，处理不了这种情况。

所以我的建议是：把半衰期模型当作一个参考工具，而不是绝对真理。用它来指导调仓节奏，但别完全依赖它。

下面这张图展示了指数衰减模型的核心逻辑，我画了个简单的流程图：

好了，关于半衰期模型就聊这么多。记住一句话：因子半衰期不是算出来就完事了，关键是怎么用它来指导调仓。下一章我会详细讲动态调仓的具体实现，到时候会用到今天讲的这些内容。

---

公众号:蓝海资料掘金营，微信deep3321