3. 因子衰减的度量方法：自相关函数法、半衰期法、衰减系数法、信息衰减曲线

聊到因子衰减，很多人第一反应就是「看IC的衰减速度」。但说实话，光看IC是不够的。我做了这么多年量化，踩过最大的坑就是——你以为因子还在有效，其实它已经悄悄失效了。

这一节，我带你系统梳理四种主流的度量方法。每种方法都有它的适用场景，也有它的局限性。你想想看，如果连因子什么时候失效都判断不准，那调优就无从谈起。

3.1 自相关函数法（ACF）

自相关函数法，说白了就是看因子值自己跟自己有多像。比如今天的因子值和昨天的因子值，相关性高不高？如果很高，说明因子变化慢，衰减也慢。

数学定义：

ACF(k) = Cov(F_t, F_{t-k}) / Var(F_t)

其中 k 是滞后阶数。ACF 值越接近 1，说明因子越「粘性」。

我个人的经验：

• ACF 衰减到 0.5 以下时，因子基本就没什么预测能力了
• 如果 ACF 在 0.8 以上持续很久，小心——可能是因子过度拟合了
• 我习惯用 ACF 做第一道筛选，快速排除那些「假持久」的因子

3.2 半衰期法（Half-Life）

半衰期这个概念，是从物理学借来的。在因子分析里，它指的是因子预测能力衰减到一半所需的时间。

计算步骤其实不复杂：

1. 计算不同滞后期的 IC 值
2. 拟合指数衰减模型：IC(k) = IC(0) × exp(-k / τ)
3. 半衰期 = τ × ln(2)

举个例子：

假设某因子的半衰期是 5 天
→ 第 5 天时，预测能力只剩一半
→ 第 10 天时，只剩四分之一
→ 第 20 天时，基本可以忽略了

避坑指南：我曾经用半衰期法筛选因子，结果发现某个因子的半衰期特别长，有 30 天。当时还挺高兴，觉得捡到宝了。后来才发现，这个因子根本就是「死因子」——它不衰减，是因为它本来就没预测能力。嗯，这里要注意：半衰期长 ≠ 因子好，还得结合 IC 绝对值来看。

3.3 衰减系数法（Decay Coefficient）

衰减系数法，其实是对半衰期法的一个补充。它用一个系数 λ 来表示因子衰减的速度：

λ = -ln(IC_k / IC_0) / k

其中 IC_k 是滞后 k 期的 IC 值，IC_0 是当期 IC 值。

λ 的含义：

• λ 越大 → 衰减越快 → 因子越「短命」
• λ 越小 → 衰减越慢 → 因子越「持久」
• λ ≈ 0 → 因子基本不衰减（但也要警惕是无效因子）

λ 范围	衰减速度	我的建议
λ > 0.3	快速衰减	只适合高频交易
0.1 < λ ≤ 0.3	中等衰减	适合中频策略
λ ≤ 0.1	缓慢衰减	适合低频/长周期策略

3.4 信息衰减曲线（Information Decay Curve）

这个方法，是我个人最常用的。它把因子在不同滞后期的 IC 值画成一条曲线，直观地展示因子衰减的全过程。

画法很简单：

1. 计算滞后 1 天、2 天、3 天……的 IC 值
2. 以滞后天数为横轴，IC 值为纵轴
3. 把点连起来，就是信息衰减曲线

下面是我用 SVG 画的一个典型的信息衰减曲线示意图：

从这张图你能看到：

• 快速衰减（红色曲线）：IC 在 5 天内就掉到一半以下，这种因子只适合做短线
• 中等衰减（蓝色曲线）：IC 衰减比较平缓，适合周频或双周频策略
• 缓慢衰减（绿色曲线）：IC 能维持较长时间，适合月频甚至季频调仓

3.5 四种方法的对比与选择

说了这么多，到底该用哪个？我整理了一个对比表：

方法	优点	缺点	适用场景
自相关函数法	计算简单，直观	只衡量因子自身稳定性	快速筛选，排除无效因子
半衰期法	有明确物理意义	对 IC 估计误差敏感	确定调仓频率
衰减系数法	数值化，便于比较	需要足够样本量	因子库批量筛选
信息衰减曲线	可视化，信息丰富	需要画图，不够量化	深度分析，策略设计

我个人建议：

• 先用 ACF 做快速筛选，排除那些「假持久」的因子
• 再用半衰期法或衰减系数法做定量分析
• 最后用信息衰减曲线做可视化验证

三种方法结合起来用，基本不会漏掉什么。嗯，这里要提醒一句：任何单一方法都有盲区。我见过有人只靠半衰期做决策，结果选出来的因子全是「死因子」——半衰期长，但 IC 本来就低。所以，交叉验证很重要。

好了，因子衰减的度量方法就讲到这里。记住一句话：没有完美的度量方法，只有适合你策略的方法。下一节，我们会聊如何根据这些度量结果，对因子进行调优——这才是真正考验功力的地方。

---

公众号:蓝海资料掘金营，微信deep3321