初探多因子选股：单个因子的有效性检验

单因子有效性检验

在多因子研究框架中，因子的有效性检验是不可避免的工作，其本质是衡量一个因子的选股能力，以下介绍笔者日常学习过程中摘下的几种有效性检验方法，以供日后使用。

本文将介绍目前学术界和业界普遍使用的两种方法，以供参考：

相关性检验

因子的相关性检验即检验单因子和收益率之间是否存在相关性

IC值

计算同一时刻的个股的指标值和未来一段时间（通常为一个月）收益的相关性，也就是IC值（信息系数）。
$IC\in[-1,1]\\ 绝对值越大，预测能力越好$
IC值的计算方法包括Normal IC和Rank IC
分别对应Pearson相关系数和Spearman相关系数

·Normal IC

由t期因子载荷预测得到的t+1期收益预测值与收益实际值的相关系数
$IC_A=Pearson(f_A,r)\\ IC_A：因子A在该期的IC值\\ f_A：用t+1期收益率的预测值\\ r:t+1期实际收益率$
Normal IC前提条件收益服从正态分布
也可以直接使用当期因子值与下期实际收益率的Pearson相关系数

·Rank IC

Rank IC与Normal IC不同之处在于采用秩相关系数，适用于各种收益分布
$IC_{rank}=Pearson(f_{index},r_{index})\\$

IR值

IR是Imformation Ratio的缩写
表示因子在多个调仓周期中获得稳定Alpha的能力

每个调仓期间计算一个因子IC值
$IC\_IR=\frac{mean(IC)}{std(IC)}$

有时IR指策略的IR，表示策略稳定战胜指数的能力
$策略IR=\frac{超额收益}{超额收益波动率}$

单调性检验

有时因子在统计上并不表现出对于未来收益率很好的预测能力，但是可能由于该因子的复杂逻辑，其在策略中仍能获得超额收益。于是可以用更直接的方法检验该因子的选股能力。

step1 每个调仓期，按照因子指标大小对股票池中所有股票分组，一般根据券池大小为5组或10组。

step2组内按等权重或者市值加权进行历史数据回测

step3多次调仓期后观察回测结果，包括累计收益，最大回撤，IR值，胜率等指标和净值曲线的层次划分。如果优势组各指标越好，净值曲线层次划分越明显，说明单调性越强，该因子越有效。

E.g.

1.净值曲线层次划分

上图中第一组到第五组净值曲线划分明显，且期末净值表现出很好的单调性，故可认为该因子有效

2.各指标单调性
下图中表示某因子在2007-2019各年份累计收益的组间比较。

可见累计收益在2009，2011，2015，2019这些年份表现出不错的单调性，故该因子在这些年份选股能力较强。

参考

多因子策略中的IC、IR是什么，以及如何计算

下期内容

多因子筛选与因子正交化方法