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

聊到因子衰减，很多新手第一反应就是「因子失效了」。其实没那么玄乎。因子衰减，说白了就是因子预测能力随时间变弱的过程。你想想看，一个因子刚被发现时，市场还没反应过来，它很有效。但用的人多了，套利空间就被填平了。嗯，这就是衰减的本质。

我个人习惯把因子衰减比作「一杯热水的冷却过程」。刚倒进去时烫手（高收益），过一会儿温温的（收益下降），最后跟室温一样（完全失效）。我们要做的，就是量化这个冷却速度。

下面我介绍三种最常用的度量方法。这三种方法我都在实盘项目中用过，各有各的适用场景。

3.1 自相关函数法

自相关函数法，核心思想很简单：看因子值在不同时间滞后下的相关性。如果因子今天的值跟明天、后天、大后天的值高度相关，说明因子有持续性，衰减慢。反之，如果隔一天就不相关了，那衰减就很快。

数学上，自相关系数定义为：

ρ(k) = Cov(F_t, F_{t+k}) / σ(F_t) * σ(F_{t+k})

其中 k 是滞后阶数。ρ(k) 越接近 1，说明因子持续性越强。

我在项目中遇到过这样的情况：用自相关函数分析一个动量因子，发现滞后 1 期的相关系数高达 0.85，但滞后 5 期就掉到 0.3 了。这说明这个因子大概只能管 3-5 天，之后就得换。

3.2 半衰期法

半衰期这个概念，搞量化的应该都不陌生。它来自物理学，指放射性物质衰减到一半所需的时间。用在因子上，就是因子预测能力下降到初始一半所需的时间。

半衰期的计算通常基于指数衰减模型：

θ(t) = θ₀ * 2^(-t / T_half)

其中 T_half 就是半衰期。θ₀ 是初始预测能力，θ(t) 是 t 时刻的预测能力。

举个例子。假设一个因子今天的 IC（信息系数）是 0.1，半衰期是 10 天。那么 10 天后，它的 IC 会降到 0.05。20 天后降到 0.025。以此类推。

半衰期法的好处是直观。你跟老板汇报时说「这个因子半衰期 15 天」，他马上就能理解。但要注意，半衰期假设衰减是指数形式的，如果实际衰减不是指数型，那算出来的半衰期就有偏差。

3.3 衰减系数法

衰减系数法，其实是对半衰期法的一个补充。它不假设衰减形式，而是直接拟合一个衰减系数。

具体做法是：

1. 把因子收益按时间排序，分成若干段（比如按周分）
2. 计算每段的平均收益或 IC
3. 用线性回归或指数回归拟合收益随时间的变化趋势
4. 回归系数就是衰减系数

数学表达式：

R_t = α + β * t + ε_t

这里的 β 就是衰减系数。β 为负，说明因子收益随时间递减。β 的绝对值越大，衰减越快。

3.4 三种方法的对比

这三种方法各有优劣，我整理了一个表格，方便你对比：

我个人习惯是：三种方法一起用。先用自相关函数看衰减的「形状」，再用半衰期法算一个直观的数字，最后用衰减系数法做稳健性检验。如果三种方法结论一致，那这个因子的衰减特征就比较可靠了。

3.5 知识体系总览

下面这张图，是我自己整理的知识框架。它把因子衰减的度量方法、核心逻辑、以及它们之间的关系都串起来了。你可以把它当作本章的「地图」：

嗯，这张图把三种方法的核心逻辑和它们之间的关系都画清楚了。你可以看到，它们不是互斥的，而是互补的。自相关函数法告诉你「衰减长什么样」，半衰期法告诉你「衰减有多快」，衰减系数法告诉你「衰减的趋势是否稳定」。

最后说一句：因子衰减度量不是一次性工作。市场在变，因子的衰减特征也在变。我建议你每个月至少做一次衰减分析，看看因子是不是「老」了。如果发现半衰期突然缩短，那就要警惕了——可能有人在抢跑你的因子。