因子回测的相关性检验,两步就能做完
发布时间:2小时前阅读:11
因子进模型之前,除了自身的有效性检验,还有一步常被跳过:与已有因子的相关性检验。跳过它,模型里就会塞进一堆重复的信息源。好消息是,这项检验不复杂,两步就能做完。
第一步:计算因子暴露的相关系数。把候选因子在每个时点上对所有股票的暴露值拿出来,与模型里每个已有因子算横截面相关系数,再看这些相关系数在时间上的均值和分布。判断标准不用复杂:平均相关性低,说明候选因子提供了新信息;相关性高,说明它度量的大概率是同一件事。经验上,平均相关超过较高水平的候选因子,就值得警惕,要么淘汰,要么与原因子合并处理。
第二步:做增量验证。相关系数只是初筛,真正的裁判是增量贡献:把候选因子加入现有模型,看组合预测力的变化。变化显著,说明它带来了已有因子覆盖不到的信息,哪怕相关性略高也值得留;变化甚微甚至为负,它就是冗余的,删掉不心疼。这一步把统计相关和实际贡献连了起来,避免误杀相关性高但信息独立的因子。
两步的顺序不要颠倒:先做相关系数初筛能省大量计算,增量验证只对通过初筛的候选做,工作量可控。每引入一个新因子,这两步都要重跑一遍,因为新因子会改变已有因子之间的相关性结构。
配套的一个好习惯是给因子建档案:记录每个因子的检验日期、分段表现、与现有因子的相关矩阵、增量贡献。这份档案在模型诊断时价值巨大——组合回撤时翻开档案,哪个因子近期异常一目了然。
相关性检验的意义可以一句话说透:模型的预测力来自信息的宽度,不是因子的个数。把重复的信息请出去,把独立的信息请进来,这份看似枯燥的检验,正是多因子模型从拼凑走向体系的分水岭。
温馨提示:投资有风险,选择需谨慎。



问一问
从业认证

+微信
分享该文章
