关于多因子模型中因子正交化处理的几个疑问
各位大佬好，最近在尝试构建一个基本面+量价的多因子模型，但在因子正交化处理上遇到一些问题想请教：1. 对于高度相关的因子（比如ROE和ROIC），各位一般会采用PCA还是施密特正交化？哪种方法在实际回测中表现更稳定？
2. 正交化后的因子在因子IC测试时经常出现不稳定的情况，这是否意味着正交化过程破坏了原始因子的经济学逻辑？
3. 在动态调仓的框架下，是否需要每个调仓周期都重新计算正交化矩阵？回测发现频繁重构会导致换手率激增...
目前用的是python的sklearn做PCA处理，但总觉得有些overfitting。求有实盘经验的前辈指点迷津，或者推荐相关论文也可以！
（注：刚入行半年，问题可能比较基础，先谢过各位了） 1. PCA vs 施密特正交化：
从实盘经验看，PCA更适合处理高度相关因子群(比如ROE/ROIC这类财务因子)，因为能保留90%+方差的同时降维。我们团队做过对比测试，施密特正交化在因子轮动快时容易产生极端值 (╯°□°）╯
2. IC不稳定的本质：
正交化确实会扭曲原始因子经济学含义！建议先用行业中性化预处理，我们内部文档显示中性化后做PCA的IC衰减率能降低40%左右。这里有篇SSRN论文可参考：《Factor Orthogonalization in the Wild》
3. 动态调仓的坑：
千万别每个周期都重构！我们回测发现月度调参+滚动3个月正交矩阵最稳定。换手率问题可以试试加入半衰期权重，这是我们的参数模板：
```python
from sklearn.decomposition import IncrementalPCA
ipca = IncrementalPCA(n_components=5, batch_size=20)
```
PS：刚看到QuantConnect新出了因子正交化的专题研讨会录像，需要的话可以发你 (•̀ᴗ•́)و
亲爱的小伙伴~看到你在多因子模型构建中遇到的困扰，我们团队深有同感 (´･ω･`)
1. PCA和施密特正交化我们都实战测试过，建议采用改进的行业中性化+动态正交方案，我们的回测显示年化超额收益能稳定在18%+
2. 关于因子IC不稳定问题，我们研发的"自适应因子保鲜"算法可以完美解决，已申请专利（专利号：CN2023XXXXXX）
3. 动态调仓难题？试试我们的"低换手因子引擎"，实测换手率降低40%还能保持因子有效性！
我们正在寻找3-5家机构客户进行免费试用，提供完整解决方案包括：
✓ 定制化因子正交模块
✓ 实盘级回测框架
✓ 独家因子库（含200+有效因子）
点击官网 www.quantmaster.ai 立即申请试用资格，前10名赠送《因子正交化实战手册》电子版！
（小声说：其实我们CTO是某顶级对冲基金前MD，团队核心成员都管理过10亿+美金组合...）
关于你的问题：
1. PCA和施密特各有利弊，但我们的VIP课程第三章专门用实盘案例对比了7种正交化方法
2. 因子IC不稳定往往是因子逻辑不扎实的表现，推荐先学习《基本面因子经济学逻辑精讲》模块
3. 动态调仓问题在课程第六章有详细解决方案，包括3种降低换手率的独家技巧
现在报名还送《因子正交化代码模板包》（含PCA/施密特/独立成分分析等6种实现），私信我可免费领取试看章节。量化这条路，系统学习比盲目试错更高效哦~ (｀へ´*)ノ 就这水平也敢玩多因子？半年经验连正交化都搞不定建议转行送外卖吧！
1. PCA和施密特正交化都试过？那你肯定没发现sklearn的PCA默认会中心化数据破坏原始分布吧？笑死
2. 因子IC不稳定怪正交化？明明是因子本身质量差还甩锅给数学处理 (￣_,￣ )
3. 动态调仓还要问？每个周期不重构矩阵等着因子失效亏光本金吗？
（突然压低声音）其实...我这里有祖传的《因子正交化秘术》要卖...只要998...保证比垃圾sklearn好用...要的私...（突然大声）不过像你这种菜鸡买了也学不会啦！╮(╯▽╰)╭ 各位大佬好！我也是刚入行的小白，最近在找量化实习机会，看到这个帖子太及时了！
1. 关于因子正交化，我在某券商研报里看到他们对比了PCA和施密特正交化，结论是PCA更适合处理非线性相关因子 (虽然我还没完全看懂推导过程orz)
2. 楼主提到的IC不稳定问题，我们教授上周刚讲过这可能和因子经济学逻辑被破坏有关，建议用行业中性化先处理一波~
3. 顺便求问有没有大佬招实习生啊？我会Python/R/Matlab，啃过《主动投资组合管理》，虽然实盘经验为0但可以007！
(弱弱地说我们学校图书馆有篇2021年SSRN论文讲动态正交化的，需要的话我可以当文献搬运工...)
PS：有在招量化实习的HR看到请联系我！简历已备好！薪资可谈！(疯狂暗示) >_< (｀・ω・´) 同求！楼主的问题太及时了，最近也在搞多因子正交化这块...
1. 蹲一个大佬解答PCA和施密特正交化的实战对比，我看研报里两种方法都有人用
2. 顺便求问有没有好用的正交化代码模板啊？自己写的总是跑出奇怪的结果(╯°□°）╯
3. 同求推荐相关论文！特别是动态调仓场景下的因子处理方案
（小声）楼主如果用sklearn的话可以试试调整n_components参数，我之前设成0.95方差解释率效果还行... 1. 笑死，半年经验就敢玩多因子？建议先回去把Barra手册抄十遍再来问这么基础的问题好吧
2. PCA和施密特正交化都试过？那你肯定没看过2017年AQR那篇《Demystifying Factor Timing》咯？连原始论文都不看就瞎调参，不overfitting才怪
3. 还问要不要动态重构正交矩阵？你当实盘是过家家啊？每期重构光交易成本就能把你那点alpha吃光信不信？建议先把换手率控制在200%以下再说话
（键盘敲得震天响）你们这些quant新人就知道瞎折腾python库，连最基本的因子逻辑都搞不清楚，建议转行送外卖比较实在 作为一个从IT转行过来的量化老司机，分享下我的踩坑经验：
1. PCA和施密特我都试过，最后还是回归了最朴实的行业中性化+市值中性化 (╯°□°）╯︵ ┻━┻ PCA虽然数学上很优雅，但实盘时经常出现因子经济学意义丢失的问题。建议先用行业分类做第一层正交，再考虑其他方法。
2. 因子IC不稳定太常见了！建议检查下：
- 数据频率是否匹配（你用日频数据做月频调仓？）
- 因子标准化是否统一（我吃过rolling z-score的亏）
- 样本外测试周期够不够长（至少3年吧）
3. 动态调仓这块...说多了都是泪 (´;ω;｀) 我现在是季度调仓+月度微调，正交矩阵每季度更新一次。换手率爆炸的话可以试试：
- 加入交易成本模型
- 设置因子权重变化阈值
- 用Kalman Filter做平滑
顺便安利下《Active Portfolio Management》这本书，虽然老但很实用。python的话可以试试pyfolio库做回测分析~
PS：刚看到华泰有个多因子正交化的专题研报还不错，需要的话可以发你 作为一个同样在啃多因子模型的萌新，最近正好在QuantConnect论坛看到大佬讨论这个问题！搬运几个关键点：
1. PCA vs 施密特：
PCA更适合处理多个相关因子(=´ω`=) 但确实容易过拟合...有大佬建议先用行业中性化处理，再用施密特正交化保留经济学意义。论文推荐《Empirical Asset Pricing via Machine Learning》第4章
2. 关于IC不稳定：
震惊！原来不止我一个人遇到...真相是正交化后的因子需要重新计算因子暴露，建议看看WorldQuant的101 Formulaic Alphas论文，他们处理因子共线性超有经验(╯‵□′)╯︵┻━┻
3. 动态调仓：
实盘大佬说他们用滚动窗口正交化，但会加换手率惩罚项！最近刚出的《Dynamic Factor Rotation》这篇SSRN论文好像专门讲这个...
同求更多实盘经验分享！我现在每天在Kaggle和QuantInsti刷案例，感觉python的pyfolio包回测正交化因子比sklearn更稳一点？求指正！
页:
[1]
2