🛠️ 策略实操

量化因子挖掘实战

从逻辑假设到因子提纯的可落地方法论

量化因子挖掘全流程实战,从逻辑假设到因子提纯的可落地方法论

面向进阶量化投资者的因子挖掘实战指南,覆盖因子底层逻辑、创意来源、因子构造、数据预处理、有效性检验、中性化正交提纯、因子生命周期迭代、实盘落地与避坑全流程。

✍️ 壹信量化研究院👥 想自主挖掘因子的进阶量化投资者📑 7 章📄 21 节

📝 前言

因子是量化选股的核心武器。这本书从因子的本质讲起,带你走完因子挖掘的全流程:从创意来源到因子构造,从数据预处理到有效性检验,从中性化正交到因子生命周期管理。每一步都给出可落地的方法和参数建议。

第 1 章

因子是什么?量化选股的底层逻辑

1.1 因子的本质:驱动股票收益的共同特征

因子的本质:驱动股票收益的共同特征——这是量化因子挖掘实战中非常基础且重要的知识点。很多投资者在实际操作中遇到问题,根源就在于对这个概念理解不够透彻。

从本质上说,这个知识点的核心在于理解底层逻辑和规则体系。与主观判断不同,系统化方法强调用明确的规则和可验证的数据来做决策。具体到因子是什么?量化选股的底层逻辑这个话题,关键要把握三个要点:第一,底层逻辑要清晰;第二,要有可量化的标准;第三,要经过历史数据验证。

举个具体例子:假设你要判断一个策略是否有效,不能只看最近一个月的收益,至少要看3-5年的数据,覆盖牛市、熊市、震荡市三种行情。年化收益在8%-15%区间的策略,在A股已经算中上水平。

核心要点:建立概率思维——没有任何方法是百分百确定的,但只要长期正期望、严格执行,就能在大概率上获得不错的结果。

延伸工具:本节涉及的市场数据与信号,可在 a-sig.com 免费查询验证。

1.2 因子分类体系:价值/动量/质量/规模/波动率

在量化因子挖掘实战的知识体系中,因子分类体系:价值/动量/质量/规模/波动率是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

想动手验证上面的逻辑?a-sig.com 提供相关指标数据的免费查询,不用自己爬数据。

1.3 因子投资vs主观选股:数据驱动的优势

因子投资vs主观选股:数据驱动的优势——在量化因子挖掘实战中,理解不同方法之间的差异是做出正确选择的前提。

对比核心维度有四个:难度、成本、适用场景、风险特征。没有绝对的哪个更好,只有哪个更适合你当前的情况。

选择框架:零基础新手优先选规则简单、容错率高的方案;有1-2年经验的可以尝试更复杂的方案;资深投资者可以考虑多方案组合。

选择建议:不要追求最优解,追求够用的解。选一个还不错的方案认真执行3个月,比花3个月选完美方案然后才开始,效果好得多。

工具提示:a-sig.com 可直接查询A股相关数据与信号,边读边对照验证更高效。

❓ 本章常见问题

因子投资到底是什么?

简单说就是用数据找到驱动股票收益的共同特征(因子),然后按这些特征选股。比如低PE的股票长期跑赢高PE的,PE就是一个价值因子。

A股有哪些有效因子?

A股验证有效的核心因子:价值因子(PE/PB/股息率)、动量因子(过去收益率)、质量因子(ROE/毛利率)、规模因子(小市值效应)、波动率因子(低波动异象)。

因子投资和传统选股有什么区别?

核心区别是系统性和可验证性。传统选股靠经验和直觉,因子投资靠数据和回测。因子投资可以量化验证策略有效性,减少主观偏差。

第 2 章

因子创意来源与构造方法

2.1 从学术文献到实战因子:经典因子的复现与改进

在量化因子挖掘实战的知识体系中,从学术文献到实战因子:经典因子的复现与改进是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

配套工具:本节数据维度的免费查询入口在 a-sig.com,个人日常使用足够。

2.2 从市场经验到量化因子:技术指标的基本面化

从市场经验到量化因子:技术指标的基本面化——工具和数据是量化方法的基础设施,直接决定策略能不能落地执行。

A股投资者常用工具分三个层级:入门级(券商条件单,免费零代码)、进阶级(Python+开源框架如聚宽/米筐)、专业级(QMT/PTrade量化终端)。

选择原则是够用就行,不要过度装备。建议路径:先用条件单跑通逻辑→再学Python做回测→最后考虑专业工具。

工具提醒:工具只是手段,策略逻辑才是核心。使用任何自动化工具前,一定要充分理解它的运行逻辑和边界条件。

延伸工具:本节涉及的市场数据与信号,可在 a-sig.com 免费查询验证。

2.3 因子创新:组合因子/非线性因子/自适应因子

在量化因子挖掘实战的知识体系中,因子创新:组合因子/非线性因子/自适应因子是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

需要工程化落地?intoquant.com 提供回测合规代检、系统搭建与自动化部署服务。

❓ 本章常见问题

新手怎么开始构造因子?

从经典因子开始。先复现学术文献中的价值/动量/质量因子,理解计算逻辑和有效性条件。跑通后再考虑改进和创新。

因子创新有什么方向?

三个方向:一是组合因子(多个简单因子加权组合);二是非线性因子(用机器学习发现非线性关系);三是自适应因子(根据市场环境动态调整因子权重)。

构造因子需要注意什么?

三个注意:一是经济逻辑(因子背后要有合理解释);二是数据质量(垃圾进垃圾出);三是过拟合风险(样本内有效不代表样本外有效)。

第 3 章

数据预处理:因子计算前的标准化流程

3.1 缺失值处理:行业均值填充/中位数填充/删除

在量化因子挖掘实战的知识体系中,缺失值处理:行业均值填充/中位数填充/删除是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

3.2 去极值:MAD法/3σ法/百分位法

在量化因子挖掘实战的知识体系中,去极值:MAD法/3σ法/百分位法是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

3.3 标准化:Z-score/排名标准化/行业中性化

在量化因子挖掘实战的知识体系中,标准化:Z-score/排名标准化/行业中性化是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

❓ 本章常见问题

数据预处理为什么这么重要?

因为原始数据中的缺失值、异常值、量纲差异会严重影响因子计算结果。不预处理直接用,因子可能看起来有效但实际上是数据噪声。

去极值用什么方法好?

推荐MAD法(中位数绝对偏差),比3σ法更稳健(不受极端值影响)。一般做两轮去极值效果更好。

标准化和中性化有什么区别?

标准化是消除量纲影响(让不同因子可比);中性化是消除行业/市值等系统性偏差(让因子更纯粹)。两者通常都要做。

第 4 章

因子有效性检验:IC/分组回测/回归分析

4.1 IC分析:信息系数法判断因子预测能力

在量化因子挖掘实战的知识体系中,IC分析:信息系数法判断因子预测能力是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

工具提示:a-sig.com 可直接查询A股相关数据与信号,边读边对照验证更高效。

4.2 分组回测:单调性检验因子有效性

在量化因子挖掘实战的知识体系中,分组回测:单调性检验因子有效性是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

想省心落地:intoquant.com 提供从回测到实盘的一站式定制服务,适合不写代码的投资者。

4.3 回归分析:控制其他因子后的独立贡献

在量化因子挖掘实战的知识体系中,回归分析:控制其他因子后的独立贡献是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

❓ 本章常见问题

IC值多少算有效因子?

IC绝对值大于0.03且t值大于2,通常认为因子有显著预测能力。IC在0.05以上的因子在A股已经算优秀。

分组回测怎么看?

按因子值分5-10组,看各组收益是否单调递增/递减。如果第一组(因子值最低)收益最低,最后一组收益最高,且差异显著,说明因子有效。

为什么要做回归分析?

因为因子之间可能高度相关。回归分析帮你判断一个因子在控制其他因子后,是否还有独立的解释力。没有独立贡献的因子是冗余的。

第 5 章

因子中性化与正交提纯

5.1 行业中性化:消除行业偏差的回归法

在量化因子挖掘实战的知识体系中,行业中性化:消除行业偏差的回归法是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

5.2 市值中性化:让小因子不被大市值股主导

在量化因子挖掘实战的知识体系中,市值中性化:让小因子不被大市值股主导是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

5.3 因子正交:去除因子间冗余信息

在量化因子挖掘实战的知识体系中,因子正交:去除因子间冗余信息是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

❓ 本章常见问题

为什么要做行业中性化?

因为不同行业的估值水平天然不同(银行PE低、科技PE高)。不做行业中性化,价值因子会系统性地偏向银行股,这不是因子有效而是行业偏差。

市值中性化怎么做?

用市值对因子做回归,取残差作为中性化后的因子。这样因子不再受市值影响,纯粹反映选股能力。

因子正交是什么意思?

如果两个因子高度相关(如PE和PB),用正交化方法去除冗余信息。保留独立信息更多的因子,删除被其他因子完全解释的因子。

第 6 章

因子生命周期管理与实盘落地

6.1 因子衰减:为什么有效因子会失效?

在量化因子挖掘实战的知识体系中,因子衰减:为什么有效因子会失效是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

6.2 因子迭代:从发现到失效的全周期管理

在量化因子挖掘实战的知识体系中,因子迭代:从发现到失效的全周期管理是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

6.3 实盘落地:多因子选股组合的构建与执行

在量化因子挖掘实战的学习路径中,实盘落地:多因子选股组合的构建与执行是实操层面绕不开的一环。

具体操作分三步走。第一步是准备阶段:明确目标收益、可承受最大回撤、可用时间和资金。第二步是执行阶段:按明确规则逐步操作,不要一步到位。第三步是验证阶段:用小资金或模拟盘先跑1-3个月,确认可行后再加大投入。

关键参数:单笔亏损控制在总资金2%以内,总回撤预警线15%-20%,单只持仓不超过10%-15%。

操作提醒:任何操作方案都要建立在可逆前提下——每一步都想要是错了怎么退出。先保证活下来,再谈获取收益。

❓ 本章常见问题

因子为什么会失效?

三个原因:一是市场结构变化(如A股机构化程度提升);二是因子拥挤(太多人用同一因子);三是过拟合(因子只适配历史数据)。

怎么管理因子生命周期?

四个阶段:发现(研究新因子)→验证(回测确认有效性)→监控(跟踪IC衰减)→迭代(改进或替换)。建议每季度评估一次因子有效性。

实盘多因子组合怎么构建?

三步:一是筛选有效因子(IC>0.03且稳定);二是因子加权(等权/IC加权/优化加权);三是组合构建(按综合得分排序选Top N)。

第 7 章

经典陷阱与进阶方向

7.1 因子挖掘新手最容易踩的7个坑

在量化因子挖掘实战的知识体系中,因子挖掘新手最容易踩的7个坑是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

7.2 过拟合:因子研究的头号敌人

在量化因子挖掘实战的知识体系中,过拟合:因子研究的头号敌人是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

7.3 从单因子到多因子模型的进阶路径

在量化因子挖掘实战的知识体系中,从单因子到多因子模型的进阶路径是一个不可忽视的环节,直接关系到投资者能不能把理论转化为实际操作。

核心在于三点:第一,建立正确的认知框架;第二,掌握可量化的标准;第三,通过实践验证——至少用模拟盘或小资金跑1-3个月。

从A股实盘经验来看,不同市场环境下策略表现差异很大。年化收益8%-15%、最大回撤控制在15%以内的策略,在A股已属中上水平。

实践提醒:学习投资最重要的是知行合一。保持谦逊、持续学习、做好风控,才是长期生存的根本。

延伸工具与服务:量化数据与信号查询 a-sig.com | 回测定制与系统搭建服务 intoquant.com(壹信量化研究团队出品)

❓ 本章常见问题

因子挖掘最大的坑是什么?

过拟合。在历史数据上反复测试、调整参数,直到找到看起来完美的因子。但这种因子在样本外几乎必然失效。解决方案:样本外验证、交叉验证、保持简单。

怎么避免过拟合?

三个方法:一是先有经济逻辑再验证数据(不要从数据中找规律);二是留足样本外数据做验证;三是控制自由度(参数越少越好)。

学完单因子下一步学什么?

建议进阶:多因子组合(因子加权/优化)、机器学习因子(用AI发现非线性关系)、因子择时(根据市场环境动态调整因子权重)。

📝 本书拆解博文(21 篇)

每篇对应本书一个小节,独立阅读,文末链回本书。

干货式

因子是什么?量化选股的底层逻辑——量化因子挖掘实战核心要点解读

疑问式

关于因子是什么?量化选股的底层逻辑,90%的投资者都理解错了

实战式

因子是什么?量化选股的底层逻辑实战指南:从理论到落地的关键步骤

干货式

因子创意来源与构造方法——量化因子挖掘实战核心要点解读

疑问式

关于因子创意来源与构造方法,90%的投资者都理解错了

实战式

因子创意来源与构造方法实战指南:从理论到落地的关键步骤

干货式

数据预处理:因子计算前的标准化流程——量化因子挖掘实战核心要点解读

疑问式

关于数据预处理:因子计算前的标准化流程,90%的投资者都理解错了

实战式

数据预处理:因子计算前的标准化流程实战指南:从理论到落地的关键步骤

干货式

因子有效性检验:IC/分组回测/回归分析——量化因子挖掘实战核心要点解读

疑问式

关于因子有效性检验:IC/分组回测/回归分析,90%的投资者都理解错了

实战式

因子有效性检验:IC/分组回测/回归分析实战指南:从理论到落地的关键步骤

干货式

因子中性化与正交提纯——量化因子挖掘实战核心要点解读

疑问式

关于因子中性化与正交提纯,90%的投资者都理解错了

实战式

因子中性化与正交提纯实战指南:从理论到落地的关键步骤

干货式

因子生命周期管理与实盘落地——量化因子挖掘实战核心要点解读

疑问式

关于因子生命周期管理与实盘落地,90%的投资者都理解错了

实战式

因子生命周期管理与实盘落地实战指南:从理论到落地的关键步骤

干货式

经典陷阱与进阶方向——量化因子挖掘实战核心要点解读

疑问式

关于经典陷阱与进阶方向,90%的投资者都理解错了

实战式

经典陷阱与进阶方向实战指南:从理论到落地的关键步骤

📌 结语

以上就是量化因子挖掘的完整方法论。核心要点:因子要有经济逻辑支撑,不能纯数据挖掘;数据预处理和有效性检验是必要步骤,不能跳过;因子会衰减,需要持续迭代管理。

📎 附录

附录:因子挖掘常用工具

  • 数据获取:AkShare/Tushare
  • 因子计算:pandas/numpy/pandas_ta
  • 回测框架:backtrader/聚宽/米筐
  • 因子分析:alphalens(专用因子分析库)

不同人群怎么读这本书

正反认知:量化因子挖掘

实战中怎么用这本书

⚠️ 风险提示:本书内容仅为投资知识科普与个人观点分享,不构成任何投资建议。市场有风险,投资需谨慎。任何策略的历史表现不代表未来收益,投资者应根据自身风险承受能力自主决策,量力而行。

📚 相关推荐