多因子组合与模型：从加权到机器学习

说实话，因子挖掘出来只是第一步。真正让策略赚钱的，是怎么把这些因子组合起来。我见过太多人挖了一堆漂亮因子，结果组合后收益反而变差了。嗯，这里面的门道，我今天跟你好好聊聊。

多因子加权：最朴素也最有效

加权组合，说白了就是给每个因子分配一个权重。最简单的做法是等权，但实际中很少有人这么干。

加权方式大概分这么几种：

• 等权加权：每个因子权重相同。适合因子质量差不多的时候。
• IC加权：按因子IC值分配权重。IC越高，权重越大。
• ICIR加权：结合IC和IR。IR考虑了IC的稳定性，比单纯用IC更靠谱。
• 动态加权：权重随时间变化。比如最近3个月的IC表现好，就多给点权重。

我在项目中遇到过一个问题：用IC加权时，某个因子突然失效了，但权重还是很高，结果拖累了整体表现。后来我改用ICIR加权，情况好多了。为什么呢？因为IR会惩罚那些波动大的因子。

线性回归模型：简单但够用

加权组合其实可以看作线性回归的特例。线性回归模型的形式是：

y = w1 * f1 + w2 * f2 + ... + wn * fn + b

其中y是预测的收益率，f是因子值，w是权重，b是偏置项。

用线性回归的好处是：

• 权重由数据自动学习，不用手动设定
• 可以加入正则化防止过拟合
• 解释性强，每个因子的贡献一目了然

但要注意，线性回归假设因子和收益率是线性关系。现实中很多因子是非线性的。比如市值因子，小市值股票收益高，但也不是越小越好，太小的股票流动性差，反而收益不好。

机器学习模型：随机森林与XGBoost

当线性模型不够用时，就该上机器学习模型了。我常用的两个模型是随机森林和XGBoost。

随机森林：集成学习的入门

随机森林的原理很简单：训练多棵决策树，然后取平均。每棵树只看到部分数据和部分特征，这样能降低过拟合。

在因子组合中，随机森林的好处是：

• 自动捕捉非线性关系
• 对异常值不敏感
• 能输出特征重要性，帮你筛选因子

但随机森林也有缺点：容易过拟合，尤其是在因子数量多、样本量少的时候。我一般会限制树的最大深度，比如设成3或4层。

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor(
    n_estimators=100,    # 树的数量
    max_depth=4,         # 最大深度，防止过拟合
    min_samples_leaf=50, # 叶子节点最少样本数
    random_state=42
)
model.fit(X_train, y_train)

# 查看特征重要性
importance = model.feature_importances_

XGBoost：梯度提升的王者

XGBoost是目前量化领域最流行的模型之一。它和随机森林不同，是逐步训练的——每棵新树都在纠正前面树的错误。

XGBoost的优势：

• 训练速度快，支持并行计算
• 自带正则化，防止过拟合
• 能处理缺失值
• 效果通常比随机森林好

但XGBoost的参数调起来比较麻烦。我刚开始用的时候，经常调参调到怀疑人生。后来总结了一套经验：

1. 先固定学习率（比如0.1），调树的数量
2. 再调最大深度（一般3-6层就够了）
3. 最后调正则化参数（lambda和alpha）

import xgboost as xgb

params = {
    'objective': 'reg:squarederror',
    'learning_rate': 0.1,
    'max_depth': 4,
    'lambda': 1.0,      # L2正则化
    'alpha': 0.1,       # L1正则化
    'subsample': 0.8,   # 样本采样比例
    'colsample_bytree': 0.8  # 特征采样比例
}

model = xgb.XGBRegressor(**params)
model.fit(X_train, y_train)

模型选择：没有银弹

你可能会问：到底该用哪个模型？说实话，没有标准答案。我一般会这样选：

场景	推荐模型	原因
因子少（<10个），关系简单	线性回归	解释性强，不容易过拟合
因子多，有非线性关系	XGBoost	效果好，能自动捕捉非线性
数据量大，需要快速迭代	随机森林	训练快，参数少，不容易出错
需要解释因子重要性	随机森林或XGBoost	都有特征重要性输出

我个人习惯的做法是：先用线性回归做个baseline，然后试试XGBoost。如果XGBoost比线性回归好很多，说明因子间存在非线性关系。如果差不多，那就用线性回归，毕竟简单可靠。

知识体系总览

下面这张图展示了多因子组合与模型的整体流程：

从这张图可以看出，多因子组合的核心流程是：因子输入 → 预处理 → 选择组合方式 → 输出预测。三种方法不是互斥的，我经常把它们结合起来用。比如先用线性回归筛选因子，再用XGBoost做最终预测。