4、单因子测试框架：IC/IR分析、分组回测法、多空组合收益计算、因子衰减与换手率

做量化投资的朋友都知道，因子开发是策略研究的基石。但说实话，很多人卡在第一步——因子造出来了，怎么判断它到底有没有用？

我见过不少新手，拿着一个因子回测曲线漂亮得不行，结果实盘一跑就崩。为什么？因为没有经过严格的单因子测试框架检验。今天我就把这套框架掰开揉碎了讲给你听。

4.1 IC/IR分析：因子的预测能力怎么量化？

IC（信息系数）和IR（信息比率），是衡量因子预测能力的两个核心指标。说白了，IC看的是因子值和未来收益的相关性，IR看的是这种相关性的稳定性。

4.1.1 IC的计算方式

IC通常用Spearman秩相关系数来计算。为什么用秩相关？因为因子值分布往往有偏，用秩相关更稳健。

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

def calc_ic(factor_series, return_series):
    """
    计算截面IC值
    factor_series: 某期因子值
    return_series: 对应下期收益
    """
    ic, p_value = spearmanr(factor_series, return_series)
    return ic, p_value

# 举个实际例子
# 假设我们有100只股票的因子值和下月收益
np.random.seed(42)
factor = np.random.randn(100)
returns = factor * 0.05 + np.random.randn(100) * 0.02

ic_val, p_val = calc_ic(factor, returns)
print(f"IC值: {ic_val:.4f}, p值: {p_val:.4f}")

4.1.2 IR：IC的稳定性更重要

IR = mean(IC) / std(IC)。为什么IR重要？我在项目中遇到过这样的情况：一个因子IC均值0.08，但标准差0.15，IR只有0.53。另一个因子IC均值0.05，标准差0.03，IR达到1.67。你猜哪个更靠谱？

答案是后者。因为稳定的预测能力，比偶尔爆发但经常失效的因子更有实战价值。

4.2 分组回测法：最直观的因子检验

IC/IR是统计指标，但分组回测更直观。你想想看，把股票按因子值分成10组，看第1组和第10组的收益差异，一眼就能看出因子有没有区分度。

4.2.1 分组回测的实现

def group_backtest(factor_df, return_df, n_groups=10):
    """
    分组回测函数
    factor_df: 日期×股票的因子值矩阵
    return_df: 日期×股票的收益矩阵
    """
    results = {}
    
    for date in factor_df.index:
        # 获取当期因子值
        factors = factor_df.loc[date].dropna()
        # 按因子值排序分组
        groups = pd.qcut(factors, n_groups, labels=False)
        
        # 计算每组下期收益
        for g in range(n_groups):
            stocks_in_group = factors[groups == g].index
            group_return = return_df.loc[date, stocks_in_group].mean()
            
            if g not in results:
                results[g] = []
            results[g].append(group_return)
    
    # 计算每组累计收益
    group_performance = {}
    for g, returns in results.items():
        group_performance[g] = (1 + pd.Series(returns)).cumprod()
    
    return pd.DataFrame(group_performance)

4.3 多空组合收益计算

分组回测看的是单调性，多空组合看的是绝对收益。多空组合就是做多因子值最高的组，做空因子值最低的组。

4.3.1 多空收益的计算逻辑

假设我们分成10组，多空组合就是第10组（多头）减去第1组（空头）的收益。这个差值就是因子带来的超额收益。

def long_short_return(group_returns):
    """
    计算多空组合收益
    group_returns: 分组收益DataFrame
    """
    # 假设第0组是空头，第9组是多头
    long_return = group_returns[9]
    short_return = group_returns[0]
    
    # 多空收益
    ls_return = long_return - short_return
    
    # 累计多空收益
    cum_ls = (1 + ls_return).cumprod()
    
    return ls_return, cum_ls

4.4 因子衰减：因子的寿命有多长？

因子衰减，说白了就是因子的预测能力随时间下降的速度。为什么会这样？因为市场在进化，套利者在消灭alpha。

4.4.1 衰减分析的方法

我通常用两种方法分析因子衰减：

1. 滚动IC分析：计算过去12个月的滚动IC，看IC是否在下降
2. 分层衰减分析：看因子对未来1个月、3个月、6个月收益的预测能力

def decay_analysis(factor_df, return_df, horizons=[1, 3, 6, 12]):
    """
    因子衰减分析
    horizons: 预测期数（月）
    """
    decay_results = {}
    
    for h in horizons:
        # 计算未来h个月的累计收益
        future_returns = return_df.shift(-h).rolling(h).mean()
        
        # 计算IC
        ics = []
        for date in factor_df.index[: -h]:
            if date in future_returns.index:
                ic, _ = calc_ic(factor_df.loc[date], future_returns.loc[date])
                ics.append(ic)
        
        decay_results[h] = np.mean(ics)
    
    return decay_results

4.5 换手率：交易成本的真实考验

很多人在回测中忽略换手率，这是大忌。一个因子换手率太高，交易成本会吃掉所有收益。

4.5.1 换手率的计算

换手率 = 每期调仓时，组合中股票变动比例的平均值。

def calc_turnover(portfolio_weights):
    """
    计算组合换手率
    portfolio_weights: 每期持仓权重DataFrame
    """
    turnover = []
    
    for i in range(1, len(portfolio_weights)):
        # 计算本期与上期权重的差异
        prev_weights = portfolio_weights.iloc[i-1]
        curr_weights = portfolio_weights.iloc[i]
        
        # 换手率 = 权重变化绝对值之和 / 2
        change = (curr_weights - prev_weights).abs().sum() / 2
        turnover.append(change)
    
    return pd.Series(turnover, index=portfolio_weights.index[1:])

4.6 综合框架：把这些工具串起来

好了，现在我们把所有工具整合成一个完整的单因子测试框架。我个人习惯按这个流程走：

1. 数据准备：清洗因子数据，处理缺失值和极端值
2. IC/IR分析：计算截面IC、时间序列IC、IR值
3. 分组回测：分成10组，看收益单调性
4. 多空组合：计算多空收益和夏普比率
5. 衰减分析：看因子在不同预测期的表现
6. 换手率分析：计算调仓成本，评估净收益

下面这张图展示了整个框架的流程：

这个框架看起来步骤多，但每一步都有它的意义。IC/IR告诉你因子有没有预测能力，分组回测告诉你预测能力是否稳定，多空组合告诉你收益空间有多大，衰减分析告诉你因子能活多久，换手率告诉你交易成本会不会吃掉收益。

嗯，单因子测试框架就讲到这里。这套方法我用了好几年，踩过不少坑，也积累了一些心得。希望对你有所帮助。

---

公众号:蓝海资料掘金营，微信deep3321