股票池的性能评估

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

构建完多因子股票池后，如何科学评估其有效性？本节深入剖析量化多因子评估的三大核心工具：Rank IC 时序分析、分层单调性回测（Quantile Portfolios）以及多空对冲净值（Long-Short Spread）分析。

💡 核心导读

• 股票池有效性检验的三大黄金法则：
  • 分层收益单调性（Monotonicity）：将股票池按因子得分分为 5 组或 10 组，Top 组至 Bottom 组的年化收益率必须严格单调递减；
  • 多空多头超额（Long-Short Alpha）：Top 组减去基准（如沪深300）的超额收益应具备稳健正向斜率；
  • 换手率衰减分析（Turnover Decay）：评估调仓周期（周度/月度）对策略收益的敏感度，寻找最优持仓重平衡周期。

┌─────────────────────────────────────────────────────────────┐
│                    股票池性能分层评估模型架构               │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ Rank IC 时序检验        │   │ 5 分组单调性测试        │   │ 多空对冲 Alpha 曲线     │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • Rank IC 均值 > 0.05   │   │ • Group 5 (Top 20%) 最高│   │ • 纯粹多空组合净值      │
│ • Rank IC > 0 胜率 > 60%│   │ • Group 1 (Bottom) 最低 │   │ • 最大回撤与夏普评估    │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、Rank IC 与因子分层回测数学模型

Rank IC 为因子得分截面排序值与下期实际收益率截面排序值的斯皮尔曼等级相关系数：

$$\text{Rank IC}_t = 1 - \frac{6 \sum d_i^2}{N(N^2 - 1)}$$

分层回测将股票池按得分均分为 $K$ 个投资组合，第 $k$ 组在 $t$ 期的平均收益为：

$$R_{k, t} = \frac{1}{N_k} \sum_{i \in G_k} R_{i, t}$$

import pandas as pd
import numpy as np

def evaluate_quantile_monotonicity(df_scores: pd.DataFrame, n_groups: int = 5) -> dict:
    """
    分层单调性与多空超额测算（合成样例，历史回测不代表未来，存在过拟合风险）
    """
    df = df_scores.copy()
    # 截面分组
    df['group'] = pd.qcut(df['factor_score'], n_groups, labels=[f'G{i+1}' for i in range(n_groups)])
    group_returns = df.groupby('group')['next_ret'].mean()
    
    long_short_spread = group_returns['G5'] - group_returns['G1']
    # 检查单调性相关系数
    monotonicity_corr = np.corrcoef(range(n_groups), group_returns.values)[0, 1]
    
    return {
        'Group_Returns': group_returns.to_dict(),
        'Long_Short_Spread': float(long_short_spread),
        'Monotonicity_Corr': float(monotonicity_corr)
    }

# 合成数据：构造因子得分与未来收益的单调关系（包含噪声）
rng = np.random.default_rng(42)
n_stocks = 100
factor_scores = rng.normal(0, 1, n_stocks)
# 构造正相关但包含噪声的未来收益，模拟真实预测的不确定性
next_returns = 0.03 * factor_scores + rng.normal(0, 0.05, n_stocks)

df_demo = pd.DataFrame({
    'factor_score': factor_scores,
    'next_ret': next_returns
})

result = evaluate_quantile_monotonicity(df_demo, n_groups=5)
print("===== 股票池分层单调性评估 =====")
print("各分位组合平均收益:")
for group, ret in result['Group_Returns'].items():
    print(f"  {group}: {ret*100:.4f}%")
print(f"多空收益差 (G5 - G1): {result['Long_Short_Spread']*100:.4f}%")
print(f"单调性相关系数: {result['Monotonicity_Corr']:.4f}")

===== 股票池分层单调性评估 =====
各分位组合平均收益:
  G1: -4.6605%
  G2: -0.9092%
  G3: -0.0423%
  G4: 0.4265%
  G5: 4.1657%
多空收益差 (G5 - G1): 8.8261%
单调性相关系数: 0.9509

二、多因子股票池性能衰减与最优调仓周期分析

因子预测能力随着时间推移逐渐衰减。通过测算滞后 $1, 2, \dots, 20$ 个交易日的 Rank IC 衰减曲线，可以精准确定股票池的最优重平衡周期。

$$\text{Decay}(k) = \text{Rank IC}(F_t, R_{t+k})$$

import pandas as pd
import numpy as np

def compute_ic_decay_curve(df_panel: pd.DataFrame, max_lag: int = 10) -> pd.Series:
    """
    测算因子 IC 的时间衰减曲线（合成面板数据，避免未来函数与幸存者偏差）
    """
    decay = {}
    for lag in range(1, max_lag + 1):
        # 面板数据 shift 必须先按 symbol 分组隔离, 否则 A 股的未来收益会串到 B 股 (截面污染)
        df_panel[f'ret_lag_{lag}'] = df_panel.groupby('symbol')['close'].shift(-lag) / df_panel['close'] - 1.0
        valid = df_panel[['factor_score', f'ret_lag_{lag}']].dropna()
        rank_ic = valid['factor_score'].corr(valid[f'ret_lag_{lag}'], method='spearman')
        decay[lag] = rank_ic
    return pd.Series(decay)

# 合成面板数据：3只股票，20个交易日
rng = np.random.default_rng(123)
symbols = ['AAPL', 'GOOGL', 'MSFT']
dates = pd.date_range('2024-01-01', periods=20, freq='B')
records = []
for sym in symbols:
    base_price = 100 + rng.uniform(-20, 20)
    # 生成价格序列，包含随机游走
    price_returns = rng.normal(0.001, 0.02, len(dates))
    prices = base_price * np.cumprod(1 + price_returns)
    # 生成因子得分，与未来短期收益有微弱关系
    factor_scores = rng.normal(0, 1, len(dates))
    for i, (date, price, score) in enumerate(zip(dates, prices, factor_scores)):
        records.append({
            'symbol': sym,
            'date': date,
            'close': price,
            'factor_score': score
        })

df_panel = pd.DataFrame(records).sort_values(['symbol', 'date']).reset_index(drop=True)

ic_decay = compute_ic_decay_curve(df_panel, max_lag=5)
print("===== 因子 IC 衰减曲线 =====")
print("滞后周期 (lag) 与 Rank IC 值:")
for lag, ic in ic_decay.items():
    print(f"  lag {lag:2d}: {ic:+.6f}")
print("IC 衰减趋势:", "是" if ic_decay.iloc[0] > ic_decay.iloc[-1] else "否")

===== 因子 IC 衰减曲线 =====
滞后周期 (lag) 与 Rank IC 值:
  lag  1: +0.081281
  lag  2: +0.028778
  lag  3: +0.046335
  lag  4: +0.087820
  lag  5: -0.006456
IC 衰减趋势: 是

📝 动手练一练

编写 Python 性能评估引擎，模拟 5 组股票池分层回测并检验收益单调性：

import pandas as pd
import numpy as np

def evaluate_quantile_monotonicity(df_scores: pd.DataFrame, n_groups: int = 5) -> dict:
    """
    分层单调性与多空超额测算（合成样例，历史回测不代表未来，存在过拟合风险）
    """
    df = df_scores.copy()
    # 截面分组
    df['group'] = pd.qcut(df['factor_score'], n_groups, labels=[f'G{i+1}' for i in range(n_groups)])
    group_returns = df.groupby('group')['next_ret'].mean()
    
    long_short_spread = group_returns['G5'] - group_returns['G1']
    # 检查单调性相关系数
    monotonicity_corr = np.corrcoef(range(n_groups), group_returns.values)[0, 1]
    
    return {
        'Group_Returns': group_returns.to_dict(),
        'Long_Short_Spread': float(long_short_spread),
        'Monotonicity_Corr': float(monotonicity_corr)
    }

# 合成数据：构造因子得分与未来收益的单调关系（包含噪声）
rng = np.random.default_rng(42)
n = 200
scores = rng.normal(0, 1, n)
# 构造与因子得分具备正相关的下一期收益率
next_returns = 0.05 * scores + rng.normal(0, 0.02, n)

df = pd.DataFrame({'factor_score': scores, 'next_ret': next_returns})
res = evaluate_quantile_monotonicity(df, n_groups=5)

print("================ 股票池分层性能回测验证 ================")
for g, ret in res['Group_Returns'].items():
    print(f"  - 组合 {g} 截面平均收益: {ret*100:.2f}%")
print(f"多空组间收益差 (G5 - G1) : {res['Long_Short_Spread']*100:.2f}%")
print(f"分层收益单调性相关系数    : {res['Monotonicity_Corr']:.4f}")
# 断言用于教学演示，实际回测需更严谨的统计检验
assert res['Monotonicity_Corr'] > 0.85, "分层收益单调性未达标！"
print("✅ 股票池性能评估测试 PASS")
print("======================================================")

运行结果输出：

================ 股票池分层性能回测验证 ================
  - 组合 G1 截面平均收益: -5.74%
  - 组合 G2 截面平均收益: -2.53%
  - 组合 G3 截面平均收益: -0.45%
  - 组合 G4 截面平均收益: 2.42%
  - 组合 G5 截面平均收益: 5.74%
多空组间收益差 (G5 - G1) : 11.47%
分层收益单调性相关系数    : 0.9975
✅ 股票池性能评估测试 PASS
======================================================

本章小结

1. 以分层单调性为第一准绳：优秀的多因子股票池必须呈现从 Top 到 Bottom 组收益率严格单调下降的梯队特征。
2. 监控 IC 衰减速度：结合 IC 衰减曲线确定换手率与交易成本之间的最优平衡调仓频率。
3. 警惕多头收益不对称：确保 Alpha 收益主要来源于多头组合的跑赢，而非仅仅依靠做空空头组的理论贡献。

📋 行动清单 (Action Checklist)

• 运行分层评估代码，测试将分组数由 5 组扩展至 10 组时的极端尾部表现；
• 绘制股票池 Top 组相对基准指数的超额收益累计净值曲线；
• 预习下一节，掌握基于财务定制化因子构建深度基本面股票池。

—— 小象教研组