前些天发布了，[多因子模型（一）-因子生成 （针对聚宽新增多因子相关功能）][1]。 这周按照计划又重新整理了 多因子模型（二）-因子检验 这部分。步入正题： 第一步，读取上一篇因子生成的的因子，如果第一次看到这篇帖子的朋友可有查看 [多因子模型（一）-因子生成][2]。 第二步，针对因子进行一系列计算，来判断哪些因子是有效的。其中包括以下几点： 1. IC的平均值的绝对值，以及ICIR。IC的意思就是每一个时间截面因子暴露和下一期回报的相关系数。举例，在3月1日每只股票的ROE因子，3月1日到4月1日的回报，这两组数字的相关系数。ICIR是IC的绝对值除以IC的标准差。理论上，IC均值的绝对值越大，因子效果越显著，同理，ICIR。 2.分组收益。对于单个因子，我们把因子从大到小排列。取前10%的股票作为一个组合，然后10%-20%,20%-30%,以此类推，一共10个组合。分别计算各个组合的收益率。分组收益这里有两个方程，一个是每日的组合收益，还有一个是以调仓频率的组合收益。前者用于后续计算一些组合指标。 3.计算回测区间指数的收益率，目的在于计算超额收益。 4.进行因子有效性测试。其中包括： 4.1 组合序列与组合收益的相关性，相关性大于0.5 4.2 赢家组合明显跑赢市场，输家组合明显跑输市场，程度大于5% 4.3 高收益组合跑赢基准的概率，低收益组合跑赢基准的概率，概率大小0.5 这里要注意的是赢家和输家要区分一下，因为有些因子是越大越好，有些是越小越好。 第三步，我们观测一下统计结果。EffectTestresult，下图未完全显示。 ![1.png][3] 然后观察IC平均值，和ICIR的分布情况。 ![2.png][4] ![3.png][5] 通过观察，我主观决定，筛选标准如下： IC均值绝对值大于0.07，ICIR绝对值大于0.4，测试一，测试二-胜者组，测试三-胜者组，必须通过 测试二、测试三中要至少通过3个。 **欢迎大家采用其他的筛选标准来最优化组合，在第二步的4中，也可以调整一下测试标准，4的检验结果存在变量effect_test_score_dict中**。 通过筛选，我们得到了如下因子： ![4.png][6] 我们发现有很多因子非常相似，比如不同日期的vol，以及各种profit。所以我们需要剔除一些高度相关的因子。 如何计算因子的相关性呢。我们把股票对应因子数换成该股票所在的分组数。然后计算在同一时期，不同因子的股票分组序列的相关系数。由于我们有很多期，所以需要将这些相关系数矩阵取平均，得到的结果如下： ![5.png][7] 结合上面因子和测试结果，最后我剔除了['operating_profit_ttm','net_profit_ttm','np_parent_company_owners_ttm','VOL120']，这四个因子。因为IC,ICIR略差些，相比于同类因子。 对于最后筛选出的因子，画出10分组的收益图，比如说： ![6.png][8] 因子的分组组合统计，比如说： ![7.png][9] 因子的超额收益图，比如说： ![8.png][10] 图看起来基本上都体面。 下一次，就是把这些有效因子带入回测模块了。Good Luck~! 大家多多交流，欢迎批评指正。 [1]: https://www.joinquant.com/post/13879 [2]: https://www.joinquant.com/post/13879 [3]: https://image.joinquant.com/06e7a804ab01248182e5af42d285dd47 [4]: https://image.joinquant.com/191a33d854b974165a227611fa646e5a [5]: https://image.joinquant.com/f98eac04cc486d70f1df6a12f38e4819 [6]: https://image.joinquant.com/9419ca7585713050e1eba97e31a3e8ff [7]: https://image.joinquant.com/824d47404cbe025673a05226ba63ba28 [8]: https://image.joinquant.com/6a2cd69aac1840865d32dd639cbcbf62 [9]: https://image.joinquant.com/69969fc2128fe6c8c6ed36f2e86c4a17 [10]: https://image.joinquant.com/56488922897f85e9259be822158471e5