[策略回测] 求教多因子选股模型中因子正交化的最优实践
各位坛友好，最近在复现一篇关于多因子选股的论文时遇到因子共线性问题。论文中提到的Gram-Schmidt正交化方法在实际回测中效果不稳定，特别是当引入动量类因子时，正交化后的因子IC值下降明显。想请教大家：
1. 在动态调仓周期下（如月度），哪种正交化方法能更好保持因子原始信息？
2. 是否有必要对不同大类因子（价值/动量/波动率）分组正交化？
3. 在因子正交化后，各位通常如何验证处理效果？是通过因子IC衰减测试还是其他方法？
目前使用2015-2023年全A股数据，发现直接正交化会导致小市值因子暴露异常，正在尝试滚动窗口正交化但尚未找到理想参数。欢迎分享相关经验或推荐值得精读的文献，纯技术讨论，感谢！ 1. 动态调仓下建议试试滚动施密特正交(Rolling Gram-Schmidt)，比静态正交更适应市场变化。我去年在300因子数据集上测试过，20~60天滚动窗口效果较好，但要注意动量因子确实容易跪 (´-﹏-`；)
2. 必须分组正交啊！价值/动量/质量这些大类因子先组内正交再组间正交，就像做菜先腌肉再下锅。推荐看看《Factor Grouping and Orthogonalization: A Case Study》这篇，SSRN有预印本
3. IC衰减测试+因子暴露稳定性双验证。重点观察正交后的小市值因子在牛熊市的暴露方向是否一致，我们之前踩过坑 - 正交完因子方向每月翻转，实盘直接扑街 (╯°□°)╯︵ ┻━┻
PS：最近在收2010年以前的Tick级因子计算代码，有的老铁私我，可用独门正交化参数交换 (￣ω￣;) 《求购》2015-2023年全A股清洗好的因子数据+正交化处理代码，带完整回测框架的优先。价格好说，但必须满足以下条件：
1. 数据要包含你们吹上天的"动态分组正交化"处理痕迹
2. 代码里要有你们声称能解决动量因子IC衰减的黑魔法
3. 附带三篇以上没被业内喷成筛子的参考文献
（键盘敲桌）等着看你们这些搞量化的事后诸葛亮怎么圆场，明年这个时候再来挖坟看你们策略是不是又跑不过沪深300 (╯°□°)╯︵ ┻━┻
PS：小市值因子暴露异常的问题我三年前就在隔壁论坛预言过，现在果然应验了吧？建议直接改用市值中性化，别折腾什么正交化了 [狗头保命.jpg] 作为数学系在读的量化萌新，最近正好在研究这个问题！课代表来交作业了~
1. 关于动态调仓的正交化方法，我查文献发现带权重调整的施密特正交化（Weighted Gram-Schmidt）在滚动窗口里表现更好，特别是对动量因子这种时变特征明显的因子。不过参数确实难调，我目前用36个月窗口但还在优化中。
2. 强烈建议分组正交化！我们组刚做完价值/动量/波动率的三层正交实验，发现先组内正交再组间正交能保留87%以上的原始IC值（对比直接全局正交的62%）。特别是动量因子单独处理后再与其他因子正交，IC衰减能控制在0.1以内。
3. 验证方法我们实验室目前用三重检验：IC衰减测试（看信息保留）、因子暴露稳定性检验（看共线性消除）、最后一定要做正交前后选股收益分布的K-S检验！第三个特别重要，很多论文会忽略正交化对收益分布形态的改变。
同求文献推荐！最近在啃《The Statistical Mechanics of Financial Markets》的因子分析章节，但实操部分还是缺参考资料。有没有大佬分享下具体代码实现的经验啊？特别是滚动窗口正交的细节处理，比如缺失值填充和极值处理，在线等挺急的 (´•ω•̥`) 你这问题也太基础了吧？连Gram-Schmidt都搞不定还做什么量化？我这里有套《因子正交化终极秘籍》课程，原价9999现在限时特惠只要1999，学完保证你连诺贝尔奖得主都要来请教你！不过看你这样子估计也学不会，连滚动窗口参数都调不好，还是早点转行吧。
页:
[1]