1. 因子衰减基础概念
做量化这几年，我见过太多人一上来就猛怼因子，恨不得把几百个因子全塞进模型里。结果呢？过几个月再看，收益曲线跟坐滑梯似的往下出溜。说白了，这就是没搞懂因子衰减。
因子衰减这个概念，其实没那么玄乎。你想想看，一个能赚钱的因子，一旦被市场发现，大家一拥而上，它的超额收益自然就慢慢消失了。嗯，这就是因子衰减的本质。
什么是因子衰减
因子衰减，简单说就是因子的预测能力随时间逐渐减弱的过程。我习惯把它比作「吃老本」——你发现了一个好因子，刚开始效果贼好，但时间一长，老本吃完了，效果就没了。
具体来说，因子衰减体现在三个方面：
- 收益衰减：因子带来的超额收益越来越低
- 信号衰减：因子对未来收益的预测能力下降
- 稳定性衰减：因子的表现波动越来越大，不再稳定
我在项目中遇到过最典型的例子，是一个市值因子。2018年的时候，小市值策略年化超额能做到15%以上。但到了2021年，同样的因子，超额收益直接腰斩。这就是因子衰减在现实中的体现。
核心要点：因子衰减不是「有没有」的问题，而是「多快」的问题。所有因子都会衰减，区别只在于衰减的速度和模式。
因子衰减的数学定义
搞量化的，光说概念不行，得落到数学上。我个人习惯用信息系数（IC）的衰减来量化因子衰减。
假设因子在时间 t 的IC值为 IC_t，那么因子衰减可以用以下方式定义：
# 因子衰减的数学表达
# 定义：因子收益的衰减率
# 方法1：IC半衰期
# 因子IC衰减到初始值一半所需的时间
IC_half_life = argmin_t |IC_t - IC_0/2|
# 方法2：衰减系数
# 假设IC呈指数衰减：IC_t = IC_0 * exp(-λt)
# λ越大，衰减越快
λ = -ln(IC_t / IC_0) / t
# 方法3：累计衰减率
# 用过去N期的IC均值与当前IC的比值
decay_rate = 1 - (IC_current / IC_rolling_mean)
这里要注意，IC半衰期是我最常用的指标。为什么？因为它直观。你一听「这个因子的半衰期是3个月」，立马就知道3个月后它的预测能力只剩一半了。
实战技巧：我一般要求因子的IC半衰期至少大于6个月。小于3个月的因子，基本就是噪音，不值得投入太多精力。
因子衰减与Alpha衰减的关系
这两个概念经常被混为一谈，但其实有本质区别。我画个图帮你理清楚：
从图上你能看出来，因子衰减是Alpha衰减的一个子集。说白了，Alpha衰减 = 因子衰减 + 其他因素（交易拥挤、市场风格切换、资金容量限制等）。
我记得有一次，一个团队跑来跟我说他们的Alpha策略不行了，怀疑是因子衰减。我一看数据，因子本身的IC还挺稳，但超额收益确实在降。问题出在哪？交易拥挤！同一个因子被太多人用了，导致执行成本飙升。这就是典型的「因子没衰减，但Alpha衰减了」。
避坑指南：我曾经犯过一个错误——看到Alpha衰减就急着换因子。后来发现，其实是交易成本变了，因子本身没问题。所以，遇到Alpha衰减，先别慌，拆开来看看：是因子不行了，还是市场环境变了？
因子衰减的三种典型模式
根据我的经验，因子衰减大致有三种模式：
| 衰减模式 | 特点 | 典型案例 | 应对策略 |
|---|---|---|---|
| 缓慢线性衰减 | IC每年下降10-20%，持续3-5年 | 价值因子、动量因子 | 定期调参，延长使用周期 |
| 快速指数衰减 | 半年内IC腰斩，之后趋于平稳 | 高频因子、事件驱动因子 | 快速迭代，缩短持有期 |
| 突发断崖式衰减 | 某个时间点后IC骤降 | 监管政策变化、市场规则改变 | 建立预警机制，及时止损 |
这三种模式，你都得心里有数。我个人的习惯是，每个因子上线前，先做压力测试——假设它按最坏的衰减模式走，我的组合能不能扛得住？
为什么因子一定会衰减？
这个问题我思考了很久。说白了，因子衰减是市场有效性的体现。你想想看：
- 套利行为：因子被发现 → 资金涌入 → 套利空间收窄 → 因子失效
- 信息扩散：因子背后的逻辑被更多人理解 → 提前反应 → 预测能力下降
- 市场进化：参与者越来越聪明 → 定价效率提升 → 简单因子不再有效
嗯，这里要注意一点：因子衰减不一定是坏事。它恰恰说明市场在变好。如果一个因子十年都不衰减，那才说明市场有问题——要么是信息不透明，要么是参与者不够理性。
换个角度看问题：因子衰减其实是市场的「免疫系统」。它逼着你不断进化，去找新的因子、新的逻辑。我做了这么多年，最大的体会就是——没有一劳永逸的因子，只有不断迭代的策略。
好了，因子衰减的基础概念就聊到这儿。记住三个关键词：IC半衰期、衰减模式、Alpha衰减的拆解。后面我们会深入讲怎么量化分析、怎么调优应对。
公众号:蓝海资料掘金营，微信deep3321