4. 因子相关性分析：皮尔逊相关系数、斯皮尔曼秩相关系数、因子共线性问题

做因子组合优化，最怕什么？

怕你辛辛苦苦挖出来的两个因子，其实是一回事。

我早年刚入行时，就犯过这个错。把动量因子和反转因子同时放进模型，结果回测曲线漂亮得不行，一到实盘就崩。后来一查，两个因子在周频上的相关性高达0.85。说白了，它们描述的是同一类市场行为，只是换了件马甲。

所以，因子相关性分析，是组合优化前必须做的一道安检。今天我们就来聊聊怎么给因子做「体检」。

4.1 皮尔逊相关系数：最常用的线性关系度量

皮尔逊相关系数，大家应该都不陌生。它衡量的是两个变量之间的线性相关程度，取值范围在[-1, 1]之间。

公式长这样：

ρ(X, Y) = Cov(X, Y) / (σ_X * σ_Y)

其中Cov是协方差，σ是标准差。说白了，就是看两个因子是否在同一条直线上一起波动。

实际应用中的坑：

• 对异常值极其敏感：一个极端值就能把相关系数从0.1拉到0.8。我在处理高频因子时遇到过，某天某只股票因为乌龙指出现极端收益，结果当天所有因子跟它的相关性都异常高。
• 只捕捉线性关系：如果两个因子是U型关系（比如一个先升后降，另一个先降后升），皮尔逊系数可能接近0，但它们其实高度相关。
• 要求数据正态分布：虽然实际中很少严格满足，但偏离太远时结果会失真。

Python实现很简单：

import numpy as np
import pandas as pd

# 假设 factor1 和 factor2 是两个因子序列
corr_pearson = np.corrcoef(factor1, factor2)[0, 1]
print(f"皮尔逊相关系数: {corr_pearson:.4f}")

# 或者用pandas一步到位
df = pd.DataFrame({'f1': factor1, 'f2': factor2})
print(df.corr(method='pearson'))

4.2 斯皮尔曼秩相关系数：非线性关系的救星

皮尔逊搞不定的情况，就该斯皮尔曼上场了。

斯皮尔曼秩相关系数，说白了就是把原始数据换成排名，再算皮尔逊系数。它不关心具体数值，只关心谁大谁小。

ρ_s = 1 - (6 * Σd_i²) / (n * (n² - 1))

其中d_i是每个样本在两个变量上的排名差，n是样本数。

什么时候用斯皮尔曼？

• 因子分布明显偏态（比如市值因子，天然就是右偏的）
• 存在非线性单调关系（比如一个因子涨，另一个因子也涨，但涨速不同）
• 数据中有较多异常值（排名天然对异常值不敏感）

代码实现：

# 斯皮尔曼相关系数
corr_spearman, p_value = scipy.stats.spearmanr(factor1, factor2)
print(f"斯皮尔曼秩相关系数: {corr_spearman:.4f}")

# pandas也支持
print(df.corr(method='spearman'))

4.3 因子共线性问题：为什么它是个大麻烦？

因子共线性，就是多个因子之间高度相关。这会导致什么问题？

我举个例子。假设你建了一个多因子模型，里面有三个因子：动量、反转、波动率。结果动量和反转的相关系数是0.85。那么模型在分配权重时，就会陷入「左右互搏」——它不知道该给动量多一点，还是给反转多一点。最终结果就是：

• 权重不稳定：稍微换一段样本数据，权重就剧烈变化
• 模型解释力下降：你分不清哪个因子真正在起作用
• 过拟合风险飙升：模型记住了噪声，而不是信号

VIF的计算方法：

VIF_i = 1 / (1 - R_i²)

其中R_i²是把第i个因子作为因变量，其他因子作为自变量做回归得到的R方。VIF大于10（严格一点是5）就说明存在严重共线性。

Python实现：

from statsmodels.stats.outliers_influence import variance_inflation_factor
from statsmodels.tools.tools import add_constant

# 假设 factors 是一个DataFrame，包含所有因子
X = add_constant(factors)
vif_data = pd.DataFrame()
vif_data["因子"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print(vif_data)

4.4 知识体系总览

下面这张图，把本章的核心逻辑串起来了：

4.5 实战中的处理策略

检测出共线性后怎么办？我一般按这个优先级处理：

1. 剔除冗余因子：如果两个因子相关性超过0.8，且逻辑相似（比如都是动量类），直接去掉一个。保留解释力更强、更稳定的那个。
2. 因子合成：如果两个因子逻辑不同但高度相关（比如估值因子和盈利因子），可以考虑做PCA或等权合成，变成一个复合因子。
3. 正则化回归：如果实在舍不得丢，用Lasso或Ridge回归，让模型自动压缩共线因子的权重。

最后说一句：因子相关性分析不是一次性工作。随着市场环境变化，因子之间的关系也会变。我建议每个季度重新算一次，保持对因子「健康状况」的持续监控。

---

公众号:蓝海资料掘金营，微信deep3321