第3章单因子分析基础

单因子分析基础：因子值计算、因子IC分析、因子IR分析、因子分组收益分析

做量化投资的朋友都知道，因子挖掘是核心。但挖出来的因子到底有没有用？

不能光靠感觉。得用数据说话。

这一章，我们就来聊聊单因子分析的那些基本功。说白了，就是一套标准流程，用来检验一个因子是不是真的能赚钱。

因子值计算：从原始数据到可用信号

因子值计算，是第一步。也是最容易出错的一步。

我刚开始做因子研究时，就吃过亏。当时拿到的数据里有些极端值，没处理就直接算IC，结果发现因子表现特别好。后来一查，原来是某只股票因为停牌后复牌，一天涨了200%，把整个结果带偏了。

嗯，从那以后，我养成了一个习惯：因子值计算前，先做预处理。

因子值计算的标准流程：

数据清洗：剔除缺失值、停牌数据、ST股票
去极值：通常用MAD法或百分位法，把极端值拉回来
标准化：让因子值变成均值为0、标准差为1的分布
中性化：剔除市值、行业等干扰因素的影响

举个例子，假设我们有一个简单的动量因子——过去20天的收益率。

import pandas as pd
import numpy as np

# 假设df是包含股票日收益率的数据框
# 列名：'date', 'stock_code', 'return'

def calc_momentum_factor(df, window=20):
    """
    计算动量因子：过去window天的累计收益率
    """
    # 按股票分组，计算滚动收益率
    df = df.sort_values(['stock_code', 'date'])
    df['momentum'] = df.groupby('stock_code')['return'].transform(
        lambda x: x.rolling(window, min_periods=1).sum()
    )
    
    # 去极值：MAD法
    median = df['momentum'].median()
    mad = np.abs(df['momentum'] - median).median()
    upper = median + 5 * mad
    lower = median - 5 * mad
    df['momentum'] = df['momentum'].clip(lower, upper)
    
    # 标准化：Z-score
    df['momentum_z'] = (df['momentum'] - df['momentum'].mean()) / df['momentum'].std()
    
    return df

你看，代码其实不复杂。但每一步都有讲究。

去极值为什么用MAD而不是标准差？因为MAD对异常值更鲁棒。标准化为什么用Z-score？因为这样因子值就有了可比性。

因子IC分析：因子与收益的相关性

因子值算好了，接下来要问：这个因子和未来收益有没有关系？

IC（Information Coefficient）就是干这个的。它衡量的是因子值与未来一期收益之间的相关性。

IC的两种常见形式：

Pearson IC：线性相关系数，假设因子和收益是线性关系
Spearman Rank IC：秩相关系数，只关心排序关系，更稳健

我个人习惯用Rank IC。为什么？因为因子值本身可能受极端值影响，但排序关系相对稳定。我在项目中遇到过，Pearson IC看起来很好，但Rank IC却一般，说明因子只在极端值上有效，这不是我们想要的。

def calc_ic(factor_df, return_df, method='spearman'):
    """
    计算截面IC
    factor_df: 某一天的因子值，index为股票代码
    return_df: 未来一天的收益率，index为股票代码
    """
    combined = pd.DataFrame({
        'factor': factor_df,
        'return': return_df
    }).dropna()
    
    if method == 'spearman':
        ic = combined['factor'].corr(combined['return'], method='spearman')
    else:
        ic = combined['factor'].corr(combined['return'], method='pearson')
    
    return ic

IC分析不能只看一天。要看一段时间内的IC序列。

我一般会计算过去N天的日度IC，然后看几个指标：

IC均值：正还是负？绝对值越大越好
IC标准差：越小越好，说明因子表现稳定
IC>0的比例：超过50%说明因子有正向预测能力
ICIR：这个下面会讲

因子IR分析：信息比率，衡量因子的稳定性

IC告诉你因子有没有预测能力。但光有预测能力还不够，还得稳定。

因子IR（Information Ratio）就是IC均值除以IC标准差。说白了，就是每承担一单位IC波动，能获得多少IC收益。

IR = mean(IC) / std(IC)

IR越高，说明因子越稳定。一般IR大于0.5就算不错，大于1.0就是很好的因子了。

我记得有一次，一个因子的IC均值高达0.08，但IR只有0.2。为什么？因为IC波动太大了，今天0.2，明天-0.1，后天0.15。这种因子你敢用吗？反正我不敢。

def calc_ir(ic_series):
    """
    计算信息比率
    ic_series: 一段时间内的IC序列
    """
    mean_ic = ic_series.mean()
    std_ic = ic_series.std()
    
    if std_ic == 0:
        return 0
    
    ir = mean_ic / std_ic
    return ir

注意：IR的计算依赖于IC序列的长度。太短了不靠谱，太长了可能有结构性变化。我一般用过去12个月的数据，大约250个交易日。

因子分组收益分析：最直观的验证方法

IC和IR是统计指标。但做投资的人，更喜欢看真金白银的收益。

分组收益分析，就是把股票按因子值从大到小分成N组（通常是5组或10组），然后看每组未来的平均收益。

你想想看，如果因子真的有效，那么第1组（因子值最大）的收益应该显著高于第5组（因子值最小）。而且，组别之间的收益应该是单调的——从第1组到第5组，收益逐渐下降。

def group_analysis(factor_df, return_df, n_groups=5):
    """
    分组收益分析
    factor_df: 某一天的因子值
    return_df: 未来一天的收益率
    n_groups: 分组数
    """
    combined = pd.DataFrame({
        'factor': factor_df,
        'return': return_df
    }).dropna()
    
    # 按因子值分组
    combined['group'] = pd.qcut(combined['factor'], n_groups, labels=False)
    
    # 计算每组平均收益
    group_returns = combined.groupby('group')['return'].mean()
    
    # 计算多空组合收益（第1组 - 第N组）
    long_short_return = group_returns.iloc[0] - group_returns.iloc[-1]
    
    return group_returns, long_short_return

分组分析还能画图。把每天的组别收益累加起来，就是各组的时间序列。如果第1组的净值曲线一直往上走，第5组的净值曲线一直往下走，那这个因子就很有价值。

分组分析的小技巧：

分组数不要太多，5组或10组就够了。太多组会导致每组股票太少，统计不显著。
除了看平均收益，还要看每组收益的波动率。有些组收益高但波动大，实际效果可能不好。
多空组合的夏普比率，是衡量因子质量的好指标。

知识体系总览

这一章的内容，可以用下面这张图来总结。它展示了单因子分析的核心流程和各个模块之间的关系。

这张图把整个流程串起来了。从因子值计算开始，到IC分析、IR分析，再到分组收益分析，最后输出结论。每一步都有它的意义，缺一不可。

说实话，很多初学者容易犯一个错误：只看IC均值，不看IR。或者只看分组收益，不看IC的稳定性。这些都是片面的。

一个真正好的因子，应该是IC高、IR高、分组收益单调。三个条件都满足，才值得进一步研究。

避坑指南：

我曾经犯过一个错误：用全样本数据做因子分析，结果发现因子表现特别好。后来回测时才发现，这个因子在样本外完全失效。为什么？因为我在计算因子值时，用了未来的信息——标准化时用了全样本的均值和标准差。

正确的做法是：用滚动窗口计算因子值。每次只使用截至当前日期的数据，避免未来信息泄露。

好了，这一章的内容就到这里。单因子分析是因子挖掘的基础，也是检验因子质量的第一道关卡。把这些基本功练扎实了，后面的多因子组合、机器学习模型才能站得住脚。