04-相对强弱预测的量化思维

从绝对预测到相对强弱的量化思维转变

引言

在量化投资中，“预测相对强弱”而非”预测绝对价格”是区分”散户思维”与”机构量化思维”的分水岭。这个转变不仅是技术层面的，更是思维层面的质变。

本文将从绝对预测与相对预测的本质差异、市场噪声过滤机制、Alpha/Beta分解理论、评估指标详解等多个维度，全面解析”预测相对强弱”的量化思维。

---

1. 绝对预测 vs 相对预测的本质

1.1 绝对预测定义

目标：预测资产价格或收益率的绝对值。

数学形式：

$\text{Model}:{\mathbf{X}}_t\to P_{t+h}\text{ 或 }{R}_{t+h}$

其中：

• ${\mathbf{X}}_t$：$t$ 时刻的因子特征
• $P_{t+h}$：$t+h$ 时刻的绝对价格
• $R_{t+h}$：$t+h$ 时刻的收益率

示例：

• “明天茅台涨不涨？”
• “上证指数下个月到多少点？”
• “比特币年底价格是多少？”

评价体系：

• 准确率（Accuracy）：预测方向正确的比例
• 均方误差（MSE）：预测值与真实值的平方误差
• 均方根误差（RMSE）：预测值与真实值的误差平方根 $\text{MSE}=\frac{1}{N}{\sum }_{i=1}^N(y_i-{\hat{y}}_i{)}^2$ $\text{RMSE}=\sqrt{\text{MSE}}$

1.2 相对预测定义

目标：预测资产在横截面上的相对强弱（排名）。

数学形式：

$\text{Model}:{\mathbf{X}}_t\to {\text{Rank}}_t$

其中：

• ${\mathbf{X}}_t$：$t$ 时刻的因子特征
• ${\text{Rank}}_t\in [0,1]$：资产的横截面排名（标准化到[0,1]）

示例：

• “在所有股票里，茅台明天是不是表现最好的那10%？”
• “在所有DeFi协议中，AAVE未来1个月是否跑赢平均？”
• “在所有Token中，BTC未来1周是否排名前20%？”

评价体系：

• 信息系数（IC）：因子值与未来收益的相关系数 $\text{IC}=\text{Corr}(F_t,R_{t\to t+h})=\frac{\text{Cov}(F_t,R_{t\to t+h})}{{\sigma }_{F_t}{\sigma }_{R_{t\to t+h}}}$

• 信息比率（IR）：IC的均值与标准差之比 $\text{IR}=\frac{\text{Mean}(\text{IC})}{\text{Std}(\text{IC})}$

1.3 两种思维的对比

维度	绝对预测	相对预测
预测目标	价格/收益率	排名/相对强弱
输出空间	连续值 $\mathbb{R}$	排名 $[0,1]$
噪声敏感性	高	低
容错率	低	高
适用场景	趋势跟踪、择时	多因子选股、市场中性
评价体系	RMSE/MAE	IC/IR
对市场依赖	强（依赖Beta）	弱（剥离Beta）
对精度要求	极高	中等（只需要相关性）
风险控制	困难	容易（分散投资）

1.4 数学对比

绝对预测的困难

假设我们要预测股票 $i$ 在 $t+h$ 时刻的价格：

$P_{i,t+h}=P_{i,t}\cdot (1+R_{i,t\to t+h})$

其中收益率 $R_{i,t\to t+h}$ 可以分解为：

$R_{i,t\to t+h}=\underset{\text{市场Beta}}{\underbrace{{\beta }_i\cdot R_{m,t\to t+h}}}+\underset{\text{特质收益}}{\underbrace{{\alpha }_{i,t\to t+h}}}+\underset{\text{噪声}}{\underbrace{{\epsilon }_{i,t\to t+h}}}$

绝对预测的问题：

1. 市场Beta ${\beta }_i\cdot R_{m,t\to t+h}$：无法准确预测市场涨跌
2. 特质收益 ${\alpha }_{i,t\to t+h}$：信噪比低，难以准确预测
3. 噪声 ${\epsilon }_{i,t\to t+h}$：随机性强，完全无法预测

相对预测的优势

在横截面上，我们比较的是：

$\text{Rank}(R_{i,t\to t+h})=\text{Rank}({\beta }_i\cdot R_{m,t\to t+h}+{\alpha }_{i,t\to t+h}+{\epsilon }_{i,t\to t+h})$

由于市场Beta $R_{m,t\to t+h}$ 对所有股票相同，可以约去：

$\text{Rank}(R_{i,t\to t+h})\approx \text{Rank}({\beta }_i+{\alpha }_{i,t\to t+h}+{\epsilon }_{i,t\to t+h})$

因此，相对预测：

1. 不依赖市场涨跌：市场涨跌对所有股票影响相同，不影响排名
2. 剥离市场噪声：只关注”谁比谁强”，不关注”强多少”
3. 降低预测难度：不需要预测绝对收益，只需要预测相对强弱

---

2. 市场噪声过滤机制

2.1 市场系统性风险模型

资产收益分解

根据资本资产定价模型（CAPM），资产收益可以分解为：

$R_{i,t}={\alpha }_i+{\beta }_i\cdot R_{m,t}+{\epsilon }_{i,t}$

其中：

• $R_{i,t}$：资产 $i$ 在 $t$ 时刻的收益
• ${\alpha }_i$：资产 $i$ 的Alpha（特质收益）
• ${\beta }_i$：资产 $i$ 对市场的敏感度
• $R_{m,t}$：市场在 $t$ 时刻的收益
• ${\epsilon }_{i,t}$：随机噪声（期望为0，与市场不相关）

扩展到多因子模型：

$R_{i,t}={\alpha }_i+{\sum }_{j=1}^K{\beta }_{i,j}\cdot R_{f_j,t}+{\epsilon }_{i,t}$

其中 $R_{f_j,t}$ 是第 $j$ 个因子的收益（如市场、规模、价值等）。

系统性风险 vs 特质风险：

• 系统性风险：${\sum }_{j=1}^K{\beta }_{i,j}\cdot R_{f_j,t}$，无法通过分散投资消除
• 特质风险：${\epsilon }_{i,t}$，可以通过分散投资消除

2.2 横截面处理的去噪原理

绝对视角的困境

假设市场收益率 $R_m=-5\%$（普跌5%），我们有两只股票：

股票	Alpha	Beta	预测收益	实际收益
A	+2%	1.0	+2%	-3%
B	-3%	1.0	-3%	-8%

绝对视角：

• 股票A：预测+2%，实际-3%，误差-5%（看似模型失效）
• 股票B：预测-3%，实际-8%，误差-5%（看似模型失效）

相对视角：

• 横截面比较：A（-3%）> B（-8%）
• Alpha比较：A（+2%）> B（-3%）
• 模型有效！A比B强

横截面处理的去噪原理

在横截面标准化后，我们计算：

$z_{i,t}=\frac{R_{i,t}-{\mu }_t}{{\sigma }_t}$

其中 ${\mu }_t$ 是 $t$ 时刻的横截面均值，${\sigma }_t$ 是标准差。

假设市场收益率 $R_m=-5\%$，${\mu }_t\approx -5\%$：

$z_A=\frac{-3\%-(-5\%)}{{\sigma }_t}=\frac{2\%}{{\sigma }_t}$ $z_B=\frac{-8\%-(-5\%)}{{\sigma }_t}=\frac{-3\%}{{\sigma }_t}$

因此：

• $z_A>0$：A强于平均水平
• $z_B<0$：B弱于平均水平

关键洞察：

• 横截面处理自动剔除了市场系统性风险 $R_m$
• 只保留特质收益 ${\alpha }_i$ 和部分噪声 ${\epsilon }_i$
• 大大降低了预测难度

2.3 实际案例：普跌环境下的表现

场景设置

2022年A股熊市，上证指数从3700点跌到3000点，跌幅约-19%。

因子：动量因子（20日收益率）

日期	上证指数	动量因子IC	因子IC累计
2022-01-01	3700	0.05	0.05
2022-02-01	3650	0.04	0.09
2022-03-01	3550	0.03	0.12
2022-04-01	3400	0.02	0.14
2022-05-01	3250	0.01	0.15
2022-06-01	3000	-0.01	0.14

绝对视角（困惑）：

• 绝对收益：平均-15%（看似因子失效）
• 动量因子IC逐渐下降（因子稳定性变差）
• 结论：动量因子在熊市失效？

相对视角（正确）：

• 虽然全市场普跌，但动量因子IC > 0（因子仍然有效）
• 买入前20%股票：平均跌幅-10%
• 卖出后20%股票：平均跌幅-20%
• 多空收益：-10% - (-20%) = +10%

关键结论：

$\text{Alpha收益}=\text{多头收益}-\text{空头收益}$ $=(-10\%)-(-20\%)=+10\%$

• 绝对收益：-15%（市场Beta）
• 相对收益（Alpha）：+10%（因子选股能力）
• 因子有效！

2.4 市场噪声过滤的数学证明

命题：横截面标准化可以完全消除系统性风险（假设所有资产Beta相同）。

证明：

设市场收益率 $R_m$，所有资产的Beta相同 ${\beta }_i=\beta$。

资产 $i$ 的收益：

$R_i={\alpha }_i+\beta \cdot R_m+{\epsilon }_i$

横截面均值：

$\mu =\frac{1}{N}{\sum }_{i=1}^N{R}_i=\frac{1}{N}{\sum }_{i=1}^N({\alpha }_i+\beta \cdot R_m+{\epsilon }_i)$

$=\bar{\alpha }+\beta \cdot R_m+\bar{\epsilon }$

其中 $\bar{\alpha }=\frac{1}{N}\sum {\alpha }_i$ 是Alpha均值，$\bar{\epsilon }=\frac{1}{N}\sum {\epsilon }_i$ 是噪声均值（期望为0）。

横截面标准化：

$z_i=\frac{R_i-\mu }{\sigma }$

$=\frac{({\alpha }_i+\beta R_m+{\epsilon }_i)-(\bar{\alpha }+\beta R_m+\bar{\epsilon })}{\sigma }$

$=\frac{({\alpha }_i-\bar{\alpha })+({\epsilon }_i-\bar{\epsilon })}{\sigma }$

$=\frac{{\alpha }_i-\bar{\alpha }}{\sigma }+\frac{{\epsilon }_i-\bar{\epsilon }}{\sigma }$

由于 $E[{\epsilon }_i]=0$，$\bar{\epsilon }\approx 0$：

$z_i\approx \frac{{\alpha }_i-\bar{\alpha }}{\sigma }+\frac{{\epsilon }_i}{\sigma }$

结论：

• 系统性风险 $\beta R_m$ 被完全消除
• 只保留特质收益 ${\alpha }_i$ 和噪声 ${\epsilon }_i$
• 横截面处理实现了”市场中性” $■$

---

3. Alpha/Beta分解理论

3.1 CAPM模型基础

资本资产定价模型（CAPM）：

$E[R_i]=R_f+{\beta }_i\cdot (E[R_m]-R_f)$

其中：

• $E[R_i]$：资产 $i$ 的期望收益
• $R_f$：无风险收益率
• ${\beta }_i$：资产 $i$ 对市场的敏感度
• $E[R_m]$：市场的期望收益
• $E[R_m]-R_f$：市场风险溢价

Beta的定义：

${\beta }_i=\frac{\text{Cov}(R_i,R_m)}{\text{Var}(R_m)}$

经济含义：

• ${\beta }_i=1$：资产收益与市场收益同步
• ${\beta }_i>1$：资产收益波动大于市场（进攻型）
• ${\beta }_i<1$：资产收益波动小于市场（防御型）

3.2 Alpha的数学定义与分解

扩展的CAPM模型（实际收益 vs 期望收益）：

$R_{i,t}=R_f+{\beta }_i\cdot (R_{m,t}-R_f)+{\alpha }_{i,t}+{\epsilon }_{i,t}$

其中：

• ${\alpha }_{i,t}$：资产 $i$ 在 $t$ 时刻的Alpha（超额收益）
• ${\epsilon }_{i,t}$：随机噪声（期望为0）

Alpha的定义：

${\alpha }_{i,t}=R_{i,t}-R_f-{\beta }_i\cdot (R_{m,t}-R_f)-{\epsilon }_{i,t}$

Alpha的来源：

Alpha可以分解为三个来源：

来源1：选股能力（Stock Selection）

${\alpha }_{\text{stock}}=\text{因子选股产生的超额收益}$

示例：动量因子选出的股票平均收益+5%，市场平均收益+2%，选股Alpha=+3%。

来源2：择时能力（Market Timing）

${\alpha }_{\text{timing}}=\text{预测市场涨跌产生的超额收益}$

示例：预测到市场下跌，提前降低仓位，避免了-5%的损失，择时Alpha=+5%。

来源3：执行能力（Execution）

${\alpha }_{\text{execution}}=\text{交易执行产生的超额收益}$

示例：优化交易时机，降低交易成本，执行Alpha=+0.5%。

总Alpha：

${\alpha }_{\text{total}}={\alpha }_{\text{stock}}+{\alpha }_{\text{timing}}+{\alpha }_{\text{execution}}$

3.3 Beta暴露的量化方法

回归估计

使用历史数据回归估计Beta：

${\hat{\beta }}_i=\frac{\text{Cov}(R_i,R_m)}{\text{Var}(R_m)}=\frac{{\sum }_{t=1}^T(R_{i,t}-{\bar{R}}_i)(R_{m,t}-{\bar{R}}_m)}{{\sum }_{t=1}^T(R_{m,t}-{\bar{R}}_m{)}^2}$

其中：

• $T$：历史数据长度
• ${\bar{R}}_i=\frac{1}{T}{\sum }_{t=1}^T{R}_{i,t}$：资产 $i$ 的平均收益
• ${\bar{R}}_m=\frac{1}{T}{\sum }_{t=1}^T{R}_{m,t}$：市场平均收益

多因子暴露

假设有 $K$ 个因子（市场、规模、价值、动量等），资产 $i$ 的收益：

$R_{i,t}={\alpha }_i+{\sum }_{j=1}^K{\beta }_{i,j}\cdot R_{f_j,t}+{\epsilon }_{i,t}$

矩阵形式：

${\mathbf{R}}_t=\mathbf{\alpha }+\mathbf{B}\cdot {\mathbf{R}}_{f,t}+{\mathbf{\epsilon }}_t$

其中：

• ${\mathbf{R}}_t\in {\mathbb{R}}^N$：$N$ 个资产的收益向量
• $\mathbf{\alpha }\in {\mathbb{R}}^N$：Alpha向量
• $\mathbf{B}\in {\mathbb{R}}^{N\times K}$：Beta暴露矩阵
• ${\mathbf{R}}_{f,t}\in {\mathbb{R}}^K$：$K$ 个因子的收益向量

回归估计Beta矩阵：

$\hat{\mathbf{B}}=({\mathbf{R}}_f^T{\mathbf{R}}_f{)}^{-1}{\mathbf{R}}_f^T\mathbf{R}$

其中 ${\mathbf{R}}_f\in {\mathbb{R}}^{T\times K}$ 是因子收益矩阵，$\mathbf{R}\in {\mathbb{R}}^{T\times N}$ 是资产收益矩阵。

Beta暴露控制

在构建组合时，我们可以控制Beta暴露：

$\text{约束：}{\sum }_{i=1}^N{w}_i\cdot {\beta }_{i,j}=0,\forall j$

其中 $w_i$ 是资产 $i$ 的权重。

示例：市场中性策略

约束 $\sum w_i\cdot {\beta }_{i,\text{market}}=0$，确保组合对市场涨跌中性。

3.4 多因子模型下的Alpha提取

步骤1：计算因子暴露矩阵

\beta_{1,1} & \beta_{1,2} & \cdots & \beta_{1,K} \\ \beta_{2,1} & \beta_{2,2} & \cdots & \beta_{2,K} \\ \vdots & \vdots & \ddots & \vdots \\ \beta_{N,1} & \beta_{N,2} & \cdots & \beta_{N,K} \end{bmatrix} $$ 其中 $\beta_{i,j}$ 是资产 $i$ 对因子 $j$ 的暴露。 **步骤2：回归得到因子收益** $$ \boldsymbol{\lambda} = (\mathbf{B}^T \mathbf{B})^{-1} \mathbf{B}^T \mathbf{R} $$ 其中 $\boldsymbol{\lambda} \in \mathbb{R}^K$ 是 $K$ 个因子的收益向量。 **步骤3：提取Alpha** $$ \boldsymbol{\alpha} = \mathbf{R} - \mathbf{B} \boldsymbol{\lambda} $$ 其中 $\boldsymbol{\alpha} \in \mathbb{R}^N$ 是 $N$ 个资产的Alpha向量。 **经济含义**： $$ \alpha_i = R_i - \sum_{j=1}^K \beta_{i,j} \cdot \lambda_j $$ $\alpha_i$ 表示： - 剔除了所有风格因子暴露后的纯选股能力 - 不依赖市场Beta - 不依赖规模、价值、动量等风格因子 - 只捕获"纯Alpha" ### 3.5 Alpha与IC的关系 **命题**：IC是Alpha的横截面相关性。 **证明**： 定义： - $F_t$：$t$ 时刻的因子值向量 - $R_{t \to t+h}$：$t+h$ 时刻的收益向量 IC的定义： $$ \text{IC} = \text{Corr}(F_t, R_{t \to t+h}) = \frac{\text{Cov}(F_t, R_{t \to t+h})}{\sigma_{F_t} \sigma_{R_{t \to t+h}}} $$ 假设因子已经标准化（$\sigma_{F_t} = 1$），收益已经中性化（$\bar{R} = 0$）： $$ \text{IC} = \frac{1}{\sigma_R} \cdot \frac{1}{N} \sum_{i=1}^N F_{i,t} \cdot R_{i,t \to t+h} $$ $$ = \frac{1}{\sigma_R} \cdot \text{Mean}(F_t \odot R_{t \to t+h}) $$ 其中 $\odot$ 是逐元素乘法。 如果因子 $F_t$ 与Alpha $\alpha_t$ 完全相关（$F_t \propto \alpha_t$）： $$ \text{IC} \propto \text{Mean}(\alpha_t \odot R_{t \to t+h}) $$ 由于 $R_{t \to t+h} = \alpha_{t \to t+h} + \text{Beta} + \text{Noise}$，且横截面处理已剔除Beta： $$ \text{IC} \propto \text{Mean}(\alpha_t \odot \alpha_{t \to t+h}) $$ **结论**：IC度量的是因子与未来Alpha的横截面相关性 $\quad \blacksquare$ --- ## 4. 评估指标详解 ### 4.1 IC（信息系数） **定义** IC（Information Coefficient，信息系数）是因子值与未来收益的相关系数。 **公式**： $$ \text{IC}_t = \text{Corr}(F_t, R_{t \to t+h}) = \frac{\text{Cov}(F_t, R_{t \to t+h})}{\sigma_{F_t} \sigma_{R_{t \to t+h}}} $$ 其中： - $F_t$：$t$ 时刻的因子值向量 - $R_{t \to t+h}$：$t+h$ 时刻的收益向量 - $\sigma_{F_t}$：因子值的横截面标准差 - $\sigma_{R_{t \to t+h}}$：收益的横截面标准差 **计算示例** 假设有5只股票： | 股票 | 因子值 | 未来收益 | |------|--------|---------| | A | 1.5 | +5% | | B | 1.0 | +2% | | C | 0.5 | 0% | | D | 0.0 | -2% | | E | -0.5 | -5% | **计算均值**： $$ \bar{F} = (1.5 + 1.0 + 0.5 + 0.0 - 0.5) / 5 = 0.5 $$ $$ \bar{R} = (5\% + 2\% + 0\% - 2\% - 5\%) / 5 = 0\% $$ **计算标准差**： $$ \sigma_F = \sqrt{((1.5-0.5)^2 + (1.0-0.5)^2 + \cdots + (-0.5-0.5)^2) / 5} = 0.707 $$ $$ \sigma_R = \sqrt{((5\%-0)^2 + (2\%-0)^2 + \cdots + (-5\%-0)^2) / 5} = 3.74\% $$ **计算协方差**： $$ \text{Cov} = \frac{1}{5} \sum_{i=1}^5 (F_i - \bar{F})(R_i - \bar{R}) $$ $$ = \frac{1}{5} [(1.5-0.5)(5\%-0) + (1.0-0.5)(2\%-0) + \cdots + (-0.5-0.5)(-5\%-0)] $$ $$ = \frac{1}{5} [1 \cdot 5\% + 0.5 \cdot 2\% + 0 \cdot 0\% + (-0.5) \cdot (-2\%) + (-1) \cdot (-5\%)] $$ $$ = \frac{1}{5} [5\% + 1\% + 0\% + 1\% + 5\%] = \frac{12\%}{5} = 2.4\% $$ **计算IC**： $$ \text{IC} = \frac{\text{Cov}}{\sigma_F \sigma_R} = \frac{2.4\%}{0.707 \times 3.74\%} = 0.905 $$ **解释**： - IC = 0.905：因子与未来收益高度正相关 - IC = 0.05：因子与未来收益弱正相关 - IC = 0：因子与未来收益不相关 - IC = -0.05：因子与未来收益弱负相关 **经济含义**： - IC = 0.05：因子解释了 $0.05^2 = 0.25\%$ 的收益方差 - IC = 0.1：因子解释了 $0.1^2 = 1\%$ 的收益方差 - IC = 0.2：因子解释了 $0.2^2 = 4\%$ 的收益方差 **阈值**： - IC > 0.05：有效的因子 - IC > 0.08：非常好的因子 - IC > 0.1：极好的因子（在A股市场中罕见） **统计显著性检验**： $$ t = \text{IC} \cdot \sqrt{\frac{N}{1 - \text{IC}^2}} $$ 其中 $N$ 是横截面股票数。 **示例**：IC = 0.05，N = 500 $$ t = 0.05 \cdot \sqrt{\frac{500}{1 - 0.05^2}} = 0.05 \cdot \sqrt{502.5} = 1.12 $$ 查t分布表： - $t > 2$：显著（95%置信度） - $t > 2.58$：非常显著（99%置信度） 本例 $t = 1.12 < 2$，不显著，说明IC = 0.05可能来自随机噪声。 ### 4.2 Rank IC（排序相关系数） **定义** Rank IC是因子排名与收益排名的Spearman相关系数。 **公式**： $$ \text{RankIC}_t = \text{Corr}(\text{Rank}(F_t), \text{Rank}(R_{t \to t+h})) $$ 其中 $\text{Rank}(\cdot)$ 是排序函数。 **计算示例** 使用前面的例子： | 股票 | 因子值 | 排名 | 未来收益 | 排名 | |------|--------|------|---------|------| | A | 1.5 | 5 | +5% | 5 | | B | 1.0 | 4 | +2% | 4 | | C | 0.5 | 3 | 0% | 3 | | D | 0.0 | 2 | -2% | 2 | | E | -0.5 | 1 | -5% | 1 | **计算Spearman相关系数**： 由于排名完全一致，Rank IC = 1.0。 **优势**： - **对异常值鲁棒**：只看排名，不看具体数值 - **适合非线性关系**：可以捕捉单调但不线性的关系 - **适合偏态分布**：因子或收益分布严重偏态时仍然有效 **IC vs Rank IC**： | 维度 | IC | Rank IC | |------|----|----| | **计算方式** | Pearson相关 | Spearman相关 | | **对异常值** | 敏感 | 鲁棒 | | **关系假设** | 线性 | 单调 | | **适用场景** | 正态分布 | 任意分布 | | **信息损失** | 小 | 大 | **何时使用Rank IC**： - 因子或收益分布严重偏态 - 存在极端异常值 - 因子与收益的关系是非线性的 ### 4.3 IR（信息比率） **定义** IR（Information Ratio，信息比率）是IC的均值与标准差之比，度量因子的稳定性。 **公式**： $$ \text{IR} = \frac{\text{Mean}(\text{IC})}{\text{Std}(\text{IC})} = \frac{\bar{\text{IC}}}{\sigma_{\text{IC}}} $$ 其中： - $\text{Mean}(\text{IC})$：IC的时间序列均值 - $\text{Std}(\text{IC})$：IC的时间序列标准差 **计算示例** 假设5个月的IC序列： | 月份 | IC | |------|----| | 1 | 0.08 | | 2 | 0.06 | | 3 | 0.04 | | 4 | 0.02 | | 5 | 0.00 | **计算均值**： $$ \bar{\text{IC}} = (0.08 + 0.06 + 0.04 + 0.02 + 0.00) / 5 = 0.04 $$ **计算标准差**： $$ \sigma_{\text{IC}} = \sqrt{\frac{(0.08-0.04)^2 + (0.06-0.04)^2 + \cdots + (0.00-0.04)^2}{5}} = 0.028 $$ **计算IR**： $$ \text{IR} = \frac{0.04}{0.028} = 1.43 $$ **经济含义**： - IR > 1：非常稳定的因子 - IR > 0.7：稳定的因子 - IR > 0.5：可用的因子 - IR < 0.5：因子不稳定 **IR的重要性**： IR比IC更重要，因为： 1. 高IC但低IR：因子表现不稳定，今天IC=0.1，明天IC=-0.05，无法实战 2. 中IC但高IR：因子表现稳定，IC长期维持在0.03-0.05之间，可以实战 **示例对比**： | 因子 | IC均值 | IC标准差 | IR | 评价 | |------|--------|---------|----|----| | A | 0.10 | 0.15 | 0.67 | 不稳定（波动大） | | B | 0.05 | 0.05 | 1.00 | 稳定（波动小） | | C | 0.03 | 0.02 | 1.50 | 非常稳定 | **结论**：因子B虽然IC较低，但IR高，实战效果可能更好。 --- ## 5. 量化投资哲学探讨 ### 5.1 随机游走 vs 趋势跟踪 **随机游走假设（Random Walk Hypothesis）** $$ P_{t+1} = P_t + \varepsilon_{t+1} $$ 其中 $\varepsilon_{t+1}$ 是白噪声，期望为0。 **推论**： - 价格变化不可预测 - IC应接近0 - 策略无法获得超额收益 - 赚取市场Beta **趋势跟踪假设（Trend Following Hypothesis）** $$ P_{t+1} = P_t + \alpha_t + \varepsilon_{t+1} $$ 其中 $\alpha_t$ 是趋势信号，期望不为0。 **推论**： - 价格存在趋势 - IC > 0（动量效应） - 策略可以获得超额收益 - 赚取趋势Alpha **实证证据**： - **短期（1-5天）**：IC ≈ 0.02-0.04，动量效应弱 - **中期（5-20天）**：IC ≈ 0.05-0.08，动量效应中等 - **长期（20-60天）**：IC ≈ 0.08-0.12，动量效应强 **结论**： - 价格不完全随机，存在一定的趋势 - 趋势跟踪策略在A股市场有效 - 但需要通过横截面处理剥离市场风险 ### 5.2 有效市场 vs 套利机会 **有效市场假说（Efficient Market Hypothesis, EMH）** **强有效市场**： - 价格反映所有信息（包括内幕信息） - Alpha应消失 - 无法获得超额收益 **半强有效市场**： - 价格反映所有公开信息 - Alpha应消失 - 无法通过基本面分析获得超额收益 **弱有效市场**： - 价格反映历史价格信息 - 技术分析无效 - 但基本面分析可能有效 **行为金融（Behavioral Finance）** 投资者非理性： - 过度自信（Overconfidence） - 损失厌恶（Loss Aversion） - 羊群效应（Herding） - 锚定效应（Anchoring） **推论**： - Alpha长期存在 - 套利机会长期存在 - 但套利能力有限（风险、成本、流动性） **A股市场的实证证据**： - **因子收益**：价值、动量、质量因子长期IC > 0.05 - **Alpha规模**：每年可获得的Alpha约5%-15% - **套利机会**：长期存在，但逐渐消失（市场越来越有效） **结论**： - A股市场不是完全有效的，存在Alpha机会 - 但Alpha机会有限，需要量化方法系统化挖掘 - 横截面处理是提取Alpha的关键技术 ### 5.3 量化思维总结 **核心思想**： > "我们无法预测市场涨跌，但可以预测相对强弱。" **三个层次的思维转变**： **层次1：承认无知** - 承认自己无法准确预测宏观经济和大盘波动 - 不赌国运涨跌，不赌行业轮动 - 只赌"同一环境下，谁比谁强" **层次2：寻找秩序** - 相信即便在乱世或盛世，资产之间总有"好坏之分" - 通过横截面处理，剔除市场Beta - 寻找稳定的Alpha信号 **层次3：纯化信号** - 通过标准化和中性化，把那些"搭便车"的收益（行业、市值、大盘涨跌）全部扔掉 - 只捕捉那一点点代表公司真正竞争力的纯Alpha - 通过大数定律，分散风险，稳定收益 **量化投资的优势**： 1. **剥离Beta，追求Alpha**： - 绝对预测依赖市场涨跌 - 相对预测剥离市场风险 2. **降低预测难度**： - 不需要预测具体价格 - 只需要预测相对强弱 3. **提高容错率**： - 不需要绝对精确 - 只需要相关性（IC > 0.05） 4. **系统化风险管理**： - 通过分散投资降低特质风险 - 通过对冲降低系统性风险 **量化投资的本质**： 量化投资不是"猜大小"，而是： - 系统化地挖掘Alpha - 科学化地管理风险 - 工程化地执行交易 横截面标准化不是数学技巧，而是一种投资策略： > 我们不赌国运涨跌，也不赌行业轮动，我们只赌"同一环境下，谁比谁强"。 --- ## 总结 从"预测绝对价格"到"预测相对强弱"是量化投资思维的核心转变。这个转变不仅是技术层面的，更是哲学层面的质变。 ### 核心要点回顾 1. **绝对预测 vs 相对预测**： - 绝对预测：预测价格/收益的绝对值 - 相对预测：预测横截面上的相对强弱 - 相对预测更稳定、容错率更高 2. **市场噪声过滤**： - 横截面处理可以完全消除系统性风险 - 只保留特质收益Alpha和部分噪声 - 大大降低预测难度 3. **Alpha/Beta分解**： - 总收益 = Alpha + Beta + Noise - Alpha = 选股能力 + 择时能力 + 执行能力 - 横截面处理剥离Beta，只保留Alpha 4. **评估指标**： - IC：因子与未来收益的相关系数 - Rank IC：因子排名与收益排名的相关系数 - IR：IC的稳定性（均值/标准差） 5. **量化投资哲学**： - 承认无知：无法预测市场涨跌 - 寻找秩序：资产之间总有"好坏之分" - 纯化信号：只捕获纯Alpha ### 实践建议 **对于因子研究**： - 关注IC和IR，而不是绝对收益 - 横截面标准化和中性化是必须的 - 选择稳定的因子（高IR），而不仅仅是高IC **对于策略构建**： - 市场中性：剥离Beta，只赚Alpha - 分散投资：通过大数定律降低风险 - 严格止损：控制下行风险 **对于投资哲学**： - 不赌国运，只赌"谁比谁强" - 承认市场有效性的局限，但Alpha长期存在 - 量化投资是科学+工程，不是赌大小 在下一文档中，我们将探讨Qlib特征工程的实践指南，包括特征张量优化、Pipeline配置、因子质量评估、数据泄漏防护等内容。