【量化投资从入门到精通 #37】十几个因子打架？用标准化+IC加权，拧成一个数

因子体系第三阶。#34/#35 已经攒下价值、成长、规模、质量、动量五把尺子。这篇解决一个现实问题：尺子多了，怎么合成一个最终打分？

一、这个方法解决什么投资问题

因子不是越多越好——十个因子各说各话，今天价值说买 A、明天动量说卖 A，你听谁的？

多因子合成就是把这些"互相打架"的因子，按一套规则拧成一个总分，然后只按总分排序选股。它回答两个问题：

1. 怎么让量纲不同的因子能相加？（标准化）
2. 怎么让"好因子"说话更算数、"坏因子"别捣乱？（加权）

二、核心思想

第一步：标准化（z-score）。每个因子自己减均值除标准差，变成"相对全班排第几"的标准分，量纲不同的因子终于能相加。

第二步：加权合成。两种主流做法：

方法 怎么做 适用
等权 所有因子平均 因子质量差不多时
IC 加权 按每个因子与未来收益的秩相关（IC）绝对值加权 因子质量参差时

IC（Information Coefficient）= 因子值与未来收益的秩相关，衡量"这个因子到底管不管用"。IC 高的因子，合成时话语权更大。

铁律：IC 必须用历史截面估计（样本内），最终效果还要在样本外验证（#27/#28 讲过过拟合）。

三、实操演示

合成示意：12 个因子，前 6 个与未来收益有正相关（"好因子"），后 6 个近似噪声。对比等权与 IC 加权。

import numpy as np, pandas as pd
rng = np.random.default_rng(37082026)
N, K = 400, 12
future = rng.normal(0, 1, N)
factors = {}
for k in range(K):
strength = max(0.0, 0.5 - k0.07) # 因子质量递减
signal = future if k < 6 else np.zeros(N)
factors[f"f{k+1}"] = strengthsignal + np.sqrt(1-strength**2)*rng.normal(0,1,N)
df = pd.DataFrame(factors)
z = df.apply(lambda s: (s - s.mean())/(s.std()+1e-9))
equal = z.mean(axis=1) # 等权合成

IC 加权：用秩相关估计每个因子的 IC，取绝对值做权重

ics = {}
for c in z.columns:
r = np.argsort(np.argsort(z[c])); f = np.argsort(np.argsort(future)); n=len(r)
ics[c] = 1 - 6np.sum((r-f)**2)/(n(n**2-1))
w = np.array([abs(ics[c]) for c in z.columns]); w /= w.sum()
ic_w = (z.values * w).sum(axis=1)

def spread(s, r, q=5):
lab = pd.qcut(pd.Series(s), q, labels=False, duplicates="drop")
return r[labq-1].mean() - r[lab0].mean()
print("等权 价差", round(spread(equal, future),3))
print("IC加权 价差", round(spread(ic_w, future),3))

运行结果（合成示意，N=400，K=12）：

合成方式 多空价差
等权 +1.519
IC 加权 +1.891

数据需求标注：真实合成时，把 factors 换成 #34/#35 的真实因子（价值/成长/规模/质量/动量），并补入财报（R1）与行业映射（R5）做中性化。本 demo 用 synthetic 演示算法本身。

四、结果解读

IC 加权（+1.891）明显优于等权（+1.519）。原因直观：12 个因子里只有前 6 个真有信号，后 6 个基本是噪声。等权把噪声因子也给了 1/12 的票数，稀释了有效信号；IC 加权让"管用的因子"话语权更大，所以更强。

这正是多因子合成的精髓：不是简单平均，而是按证据强度分配信任。

但两个大坑必须提醒：

• IC 估计本身有误差：用太少截面期估出来的 IC 不可靠，权重可能错配。
• IC 会衰减/反转：去年的好因子今年可能失效（#38 因子陷阱），用滚动窗口动态更新 IC 权重才是正解，而不是一次算死。

五、常见陷阱

• 样本内过拟合：在历史上调权重调到最美，样本外一塌糊涂（#28）。
• 因子共线：价值与质量高度相关，等权会重复计权；IC 加权也会给两个高 IC 因子都高权。需要先做因子正交/聚类。
• 忽略行业中性：不中性化，合成分会变成"行业暴露"（全仓某一个行业），风险集中。
• 负 IC 因子直接扔：IC 为负的因子，反向用（取负号）可能比扔掉更好。

六、小结 + 下篇预告

多因子合成 = 先 z-score 标准化，再按规则加权成总分；因子质量参差时，IC 加权优于等权。但权重要动态、要样本外验证、要做中性化。

下一篇跳到第八阶的专题——#44 可转债量化、#45 基金量化、#46 基本面量化、#47 AI 量化入门，它们依赖可转债/基金/财报/因子特征工程等数据（需求 R2–R4），补全后即可实跑；本篇的合成框架正是它们的"收口"工具。

免责声明

本文为量化方法教学，代码示例使用合成示意数据，不构成投资建议，不承诺收益。投资有风险，入市需谨慎。