4、线性融合方法：等权加权、IC加权、IR加权、最大化ICIR的优化加权

好，咱们进入正题。因子融合这件事，说白了就是把几个信号拧成一股绳。高频因子和低频因子，一个快一个稳，怎么搭配最合适？我这些年试过不少路子，今天把最经典的四种线性融合方法掰开揉碎讲清楚。

4.1 等权加权——最朴素，但别小看它

等权加权，就是给每个因子相同的权重。比如你有3个因子，每个权重就是1/3。听起来简单吧？但我告诉你，很多实盘策略跑下来，等权加权往往能跑赢那些花里胡哨的优化方法。

为什么？因为等权加权天然具备“分散化”的效果。你想想看，如果某个因子在某段时间失效了，其他因子还能顶上。我在项目中遇到过好几次，用IC加权优化出来的组合，回测曲线漂亮得不行，一上实盘就崩——就是因为过度依赖了某个因子。

# 等权加权示例
import pandas as pd
import numpy as np

# 假设有3个因子：高频动量、低频估值、低频波动
factors = ['high_freq_momentum', 'low_freq_value', 'low_freq_volatility']
weights = np.array([1/3, 1/3, 1/3])

# 因子数据（已标准化）
factor_data = pd.DataFrame({
    'high_freq_momentum': [0.2, -0.1, 0.5, ...],
    'low_freq_value': [0.3, 0.4, -0.2, ...],
    'low_freq_volatility': [-0.1, 0.2, 0.1, ...]
})

# 融合信号
combined_signal = factor_data.dot(weights)

4.2 IC加权——让历史表现说话

IC（Information Coefficient）衡量的是因子预测能力。IC加权，就是用因子过去一段时间的IC值作为权重。IC越高，权重越大。

这个方法比等权加权进了一步，但有个坑——IC本身波动很大。我记得有一次做回测，某个因子过去3个月的IC高达0.08，我给了它40%的权重，结果接下来一个月IC直接变成-0.03，组合收益被拖累得很惨。

# IC加权示例
def ic_weighted_fusion(factor_data, returns, window=60):
    """
    factor_data: 因子值矩阵 (T x N)
    returns: 未来收益 (T,)
    window: 滚动窗口
    """
    weights = []
    for t in range(window, len(factor_data)):
        # 计算过去window天的IC
        ic = factor_data.iloc[t-window:t].corrwith(returns.iloc[t-window:t])
        # 归一化权重
        w = ic / ic.sum()
        weights.append(w)
    
    # 用最新权重融合
    latest_weights = weights[-1].values
    combined = factor_data.iloc[-1].dot(latest_weights)
    return combined

4.3 IR加权——兼顾预测能力和稳定性

IR（Information Ratio）是IC的均值除以IC的标准差。说白了，IR加权不仅看因子“准不准”，还看它“稳不稳”。

我个人非常喜欢IR加权。为什么？因为IC高的因子可能只是运气好，而IR高的因子才是真正有持续预测能力的。我在做高频因子和低频因子融合时，发现高频因子的IC往往不低，但波动极大；低频因子IC中等，但很稳定。IR加权会自动给低频因子更高的权重，这正好符合我们的直觉。

因子类型	平均IC	IC标准差	IR	IR加权权重
高频动量	0.06	0.12	0.50	0.25
低频估值	0.04	0.05	0.80	0.40
低频波动	0.05	0.07	0.71	0.35

你看这个表格，高频因子IC最高，但IR最低，所以权重反而最小。这就是IR加权的魅力——它帮你过滤掉那些“虚高”的因子。

4.4 最大化ICIR的优化加权——理论最优解

前面三种方法都是启发式的，而最大化ICIR的优化加权，是从数学上求解最优权重。目标很明确：让融合后的ICIR最大。

具体来说，假设我们有N个因子，每个因子的IC序列已知，那么融合后的ICIR可以写成：

ICIR_combined = (w^T * μ) / sqrt(w^T * Σ * w)

其中：
w: 权重向量
μ: 各因子IC的均值向量
Σ: 各因子IC的协方差矩阵

这个优化问题有解析解：w* = Σ^(-1) * μ。嗯，这里要注意，Σ必须是正定的，否则解不稳定。我在项目中遇到过协方差矩阵奇异的情况，尤其是因子数量多、历史数据短的时候。

# 最大化ICIR的优化加权
import numpy as np
from scipy.optimize import minimize

def max_icir_weights(ic_matrix, lambda_reg=0.1):
    """
    ic_matrix: 各因子IC序列 (T x N)
    lambda_reg: 正则化系数
    """
    N = ic_matrix.shape[1]
    mu = ic_matrix.mean(axis=0)
    Sigma = np.cov(ic_matrix, rowvar=False)
    
    # 加入L2正则化
    Sigma_reg = Sigma + lambda_reg * np.eye(N)
    
    # 解析解
    w = np.linalg.solve(Sigma_reg, mu)
    w = w / np.sum(np.abs(w))  # 归一化
    
    return w

# 示例
ic_series = np.random.randn(100, 3)  # 100天，3个因子
optimal_weights = max_icir_weights(ic_series)
print(f"最优权重: {optimal_weights}")

四种方法对比总结

我画了一张图，把这四种方法的核心逻辑串起来，方便你理解它们之间的关系。

---

公众号:蓝海资料掘金营，微信deep3321