QMT之如何判断因子好坏(下)

书接上回,

三、第二维:ICIR(信息比率)

定义公式:

衡量IC均值与波动的比值,类似"夏普比"。 它告诉你:因子的预测能力是否稳定。

判断标准:

Python实战:

计算ICIR相对就简单多了,只是对上面结果的一个统计分析,代码如下:

基于全A统计,RSI因子的ICIR为-0.5501。

ICIR 的绝对值反映预测稳定性。虽然 RSI 的 ICIR = -0.5501(为负表示反向信号),但绝对值较高,说明该反向关系稳定可靠,这一点在后文信号衰减分析中也能得到印证。这也刚好符合RSI的经典性质------反转特征。

  • 第三维:分层收益(Portfolio Return Spread)

定义公式:

将样本按因子值分为五层(Q1--Q5):

即高因子组和低因子组未来收益之差。若Spread长期为正,说明因子能区分强弱股,具有实战价值。

Python实战:

我们来看看全A股票的RSI因子分层多空累计收益:

从上图中可以明显看到: RSI因子的多空组合在测试初期快速上涨至约 +0.6,随后出现陡峭回落,最终跌至 -1.0附近并趋于平稳。初期上涨可能是样本噪声或极端行情所致,长期趋势为负,符合RSI反向特征。

五、第四维:信号可持续性(Autocorrelation)

信号可持续性可从两方面衡量:

一是因子值的时间自相关(信号稳定性),

二是因子预测力的IC衰减(有效期)。本文以IC衰减为例进行展示。

公式定义:

衡量因子在时间上的稳定性,IC衰减:

这条曲线反映因子的预测力能持续多长时间。

Python实战:

前文的IC计算基于未来10天收益。为了观察信号随持有期的衰减,我们在此计算不同持有期(1、3、5、10、20天)对应的平均IC。

这种典型的 快速衰减形态,说明RSI的预测能力主要集中在短周期内,仅能捕捉短期反转,而无法维持中长期的趋势判断。

相关推荐
塑料铲子5 小时前
你的 Skill 越多越蠢?Token 上下文爆炸的求生指南
机器学习·agent
黑十6 小时前
FDE 怎么快速搭一个可演示页面?最小前端方案
java·大数据·前端·数据库·人工智能
Databend6 小时前
OpenRaft 自定义 Membership,按部署拓扑选择 Quorum
大数据·数据库·数据分析
TsingtaoAI7 小时前
VeyForge:构建具身智能的AI 3D资产与Sim-to-Real数据引擎
人工智能·机器学习
Databend7 小时前
用 SQL 排查支付故障,OpenTelemetry 接入 Databend Cloud 实战
大数据·数据库·sql
上海潭龙东海科技有限公司7 小时前
智慧堆场动态模型三维实时孪生重构智能管控
大数据·网络·数据库·算法·重构
尹文祥8 小时前
Apache Doris 2.1.10:存储结构、索引与查询优化详解
大数据
isfox11 小时前
Hadoop 序列化:为什么不用 Java 自带 Serializable?
大数据
字节跳动数据平台12 小时前
火山引擎 VeKnow 落地指南(下):从知识编译到价值渗透
大数据
AI源码14 小时前
基于Spark的期刊推荐系统的设计与实现
大数据·分布式·spark