一、因子挖掘概述
做量化这几年，我越来越觉得因子挖掘就像是在市场里「寻宝」。你想想看，市场每天产生海量数据，但真正能帮你赚钱的信号，其实就藏在那些不起眼的角落里。
今天咱们就来聊聊因子挖掘这件事。我会结合自己踩过的坑，把这块讲透。
1.1 什么是因子
因子，说白了就是一个能预测股票未来收益的特征变量。比如市盈率、动量、换手率，这些都是因子。
我习惯把因子分成三类：
- 基本面因子：像PE、PB、ROE这些，反映公司经营状况
- 技术面因子：比如过去20天的收益率、成交量变化
- 另类因子：新闻情绪、供应链数据、卫星图像等
举个例子，你发现「过去5天涨幅超过10%的股票，接下来一周大概率会回调」——这个「过去5天涨幅」就是一个因子。
核心要点：因子不是随便找个指标就行。它必须满足三个条件——可解释、可复现、有预测力。
1.2 因子挖掘在量化交易中的价值
有人问我：因子挖掘到底值不值得花时间？我的回答是：绝对值。
我在2018年做过一个回测，当时只用了5个常见因子，年化收益不到8%。后来花了两个月做特征工程，把因子扩充到30多个，年化直接翻了一倍。嗯，这就是因子的力量。
具体来说，因子挖掘的价值体现在：
- 发现超额收益来源——找到别人没注意到的规律
- 提升模型稳定性——多因子组合比单因子抗揍得多
- 降低过拟合风险——好的因子有经济学逻辑支撑
我的经验：别一上来就搞复杂模型。先把基础因子做扎实，效果往往比堆模型好得多。
1.3 因子挖掘的完整流程
整个流程我画了个图，你一看就明白了：
这五个步骤环环相扣，缺一不可。我一个个说：
第一步：数据获取
数据是因子挖掘的「原材料」。我一般会拿这几类数据：
- 行情数据（日线、分钟线）
- 财务数据（季报、年报）
- 资金流向数据
- 舆情数据（可选）
注意：数据质量决定因子质量。我曾经因为某只股票复权数据没处理好，导致回测结果虚高，差点上线实盘。后来养成了习惯——拿到数据先做一遍「数据体检」。
第二步：特征工程
这是整个流程里最花时间的环节，也是咱们这门课的重点。特征工程包括：
- 数据清洗（去极值、填充缺失值）
- 特征变换（标准化、对数化）
- 特征衍生（滚动窗口计算、截面排名）
- 特征筛选（相关性分析、IC分析）
我习惯用Python的pandas和numpy来做这些操作。给你看个简单的例子：
import pandas as pd
import numpy as np
# 计算过去20天的动量因子
def calc_momentum(close, window=20):
return close / close.shift(window) - 1
# 截面标准化
def standardize_cross_section(df):
return (df - df.mean()) / df.std()第三步：因子构建
特征工程做完后，就要把特征「包装」成可用的因子。这一步要注意：
- 因子要可计算（不能用到未来数据）
- 因子要可解释（别搞黑箱）
- 因子要可复现（换个人也能算出来）
第四步：回测验证
因子好不好，回测说了算。我一般会看这几个指标：
| 指标 | 含义 | 合格标准 |
|---|---|---|
| IC值 | 因子与未来收益的相关性 | 绝对值 > 0.02 |
| IR值 | IC的稳定性 | > 0.5 |
| 夏普比率 | 风险调整后收益 | > 1.0 |
| 最大回撤 | 最坏情况下的亏损 | < 20% |
第五步：组合优化
多个因子选出来后，怎么组合？我常用的方法：
- 等权组合（简单但有效）
- IC加权（按预测能力分配权重）
- 机器学习集成（XGBoost、LightGBM等）
避坑指南：我曾经在组合优化上过度优化，搞了20多个因子做加权，结果回测漂亮，实盘一塌糊涂。后来学乖了——因子数量控制在5-10个，效果反而更好。
1.4 本章小结
因子挖掘不是一蹴而就的事。它需要你：
- 对市场有深刻理解
- 对数据有敬畏之心
- 对模型有迭代耐心
接下来的课程，我会带着你一步步走完这五个环节。咱们先从数据获取和特征工程开始，把地基打牢。
记住一句话：好的因子，胜过复杂的模型。
公众号:蓝海资料掘金营，微信deep3321