因子投研中的风格偏向及因子风格分析框架
由bqgl97s8创建，最终由bqgl97s8 被浏览 29 用户
因子应用时应注意穿透真实风格
老韵前段时间分享了因子批量测试的工具，见《因子研究工具：批量因子测评，自适应多空方向》。当我们测试到一些数据特别好的因子时，是不是就迫不及待地去想使用？
以下为cn_stock_factors_hf库里近6年的测试结果，年化收益率排前的数据确实喜人，你会发现这些成绩都超过绝大多数常规因子与高频因子。
那这里面又是有什么魔法吗？先别高兴太早！其实我们看特大单卖出金额，它是一个绝对金额，那么什么样的股票这个金额会大？豪无疑问，至少得是大市值的股票。这个指标是负向的，所以穿透其真实属性，其实就决定了它必然就是小市值策略；只是说，还包含了所谓大单的数据信息。那么，在这相当长时间近十年小市值都表现非常突出的情况下，其他信息带来的区别就已经可以忽略了，这也是为什么大单买入金额与大单卖出金额，在买卖两个性质完全相反的指标，其表现是同向的且年化回报和夏普都惊人一致的原因：不是因为是否是买还是卖，也不在乎是大单的还是特大单还是中单甚至小单，而是这个金额本身，与其股票的市值大小是高度相关的！
因子投研中应特别重视分格特性
同样，在因子投研中，要特别注意风格的偏向。当我们魔改一类因子时，一定要注意风格的影响，不要看到某个特征的收益率高就改过去，也许就丢失了那些独立风格的更宝贵的特征。比如，在曹春晓老师分享的滴水穿石因子一文中（原文链接），相关性如下：
可以看出，其与流动性相关性最高，与市值相关性不算太高。但是，如果我们对它进行魔改——
这里举例我用cowork辅助进行的第二轮魔改(m3版本）。其魔改思路：
🚀 三大核心创新 创新1: MAD裁剪 + 自适应阈值
创新2: 买卖方向分离
分别构建买卖方向的周期波动以及买卖力量对比
创新3: 量价协同周期性
另外再加上第二版有效的盘口冲击，大单持续性两个子因子，构成一个非常复杂的综合因子，最高可将原约27%的年化提升到36%。但是！一测相关度，其中四个子因子市值相关度都非常高，导致综合因子对市值相关度也非常高：
这个与市值相关度超过0.5的因子，与原来市值相关性（绝对值）16.6%相差太远，显然不是我所要的。
让我们来看看市值风格是怎样混入的？我让cowork分析如下：
大盘股：
- 机构主导 → VWAP算法 → 规律性交易
- 成交量有周期性脉冲 →
wavelet_energy高 - 因子值 = 标准化后的值 → 高
小盘股：
-
散户/游资主导 → 随机交易
-
成交量无规律 →
wavelet_energy低 -
因子值 = 标准化后的值 → 低
\
当然，这个解释还有些牵强，但魔改买卖分离、上涨下跌分离后，相关指标带上了更强的市值特征是豪无疑问的。但是呢，也还有很中性化的几个分支因子：买卖力量对比，量价同步性，盘口冲击，大单持续性。事实上，如果我去掉或只小权重的加入强市值特征，以偏中性化的子因子为主，还是能构筑很强悍的综合因子的：年化0.3344，比原来有20%+的提升。更重要的是，它的市值相关度（绝对值）已经到了12.9%，比原始因子更小，流动性风格也由原来的34%降到了17.2%，豪无疑问，这已经是一个相对全新的因子了。
\
因子分格分析框架（代码）
最后，分享由老韵出主意，cowork辅助生成的因子风格分析框架：
https://bigquant.com/codesharev3/8457a39a-45a3-4af8-bb38-c00f068c4868
\