第31章：因子组合

第30章结尾留了一句话：一个因子上偏一点点，合进总分就变成整个组合的系统性上偏。这一章就要真的动手合成了——把价值、质量、成长、动量这些各自通过了检验的分数，变成一个能给几千只股票排序的总分。

先说一件容易被忽略的事：合成这一步造成的差别，常常比换因子还大。 同一批因子，等权相加和按历史 IC 加权，回测年化可能差三到六个百分点。但这几个百分点里，有多少是新信息，有多少只是权重碰巧适合这一段历史，是两个完全不同的问题——本章要把它们分开。

本章围绕三个问题展开：几个单因子分数合起来，标准动作是哪几步；权重该给谁多一点、什么时候等权反而更好；因子之间高度相关时加法在偷偷做什么，要不要正交化。

本章是第七部分（多因子选股模型）的开头。第32章处理股票池与可投资性过滤，第33章才把分数变成真实持仓。所以这里停在"得到一个排序"，不讨论买几只、每只买多少。

ETF 边界：合成是个股因子的动作，ETF 产品本身没有因子值。但如果你用几个指数信号（估值、趋势、拥挤度）做 ETF 轮动，也会完整遇到本章的两个核心问题——权重怎么定、两个信号是不是在说同一件事（第47章）。

一、先把每个因子的"好坏方向"对齐

现象。 四个因子摆在面前：盈利收益率 EP（越高说明越便宜，越看好）、净资产收益率 ROE（越高说明越赚钱，越看好）、20 日涨幅（越高说明近期越强，越看好）、波动率（越高说明越不稳，越不看好）。前三列都是"越大越好"，第四列是"越小越好"。直接把它们相加，程序不报错，回测也不报错，但结果错了。

看错在哪里。先只用其中两个因子说明。假设某一天两只股票的标准化因子值是这样：

	EP（标准化）	波动率（标准化）
A 公司	+1.5	+1.5
B 公司	+1.0	−1.0

先说清表里的数字是什么，因为波动率那一列出现了负号。 这不是 EP 和波动率的原始值，而是第28章讲过的 z 分数：减去当天全股票池的平均值、再除以标准差。所以正数表示"高于当天的平均水平"、负数表示"低于平均水平"、$0$ 表示正好落在平均线上——A 的 $+1.5$ 读作"波动比当天平均高出 1.5 个标准差"，B 的 $-1.0$ 读作"低于平均 1 个标准差"。波动率本身永远非负（它是收益率平方的平均再开方），负号来自减掉平均值这一步，不是波动率变成了负数。

回到例子。A 很便宜，但波动很大；B 没那么便宜，但波动很小。按两个因子各自的方向（EP 取 $+1$、波动率取 $-1$），A 的总分是 $1.5+(-1.5)=0$，B 是 $1.0+(+1.0)=2.0$，B 排前面。如果不做方向处理、直接把两列相加，A 得 3.0、B 得 0.0，排序完全反过来——组合会挑进一批高波动股票，而波动率因子本来的意思恰恰是"避开高波动"。

因子方向说的就是这件事：给每个因子定一个符号，$+1$ 表示值越大越看好，$-1$ 表示值越小越看好，合成之前先把因子值乘以它的方向。华泰金工在因子跟踪报告的附录里就是这样交代的：因子方向取值 1 代表因子值越大越好、−1 代表越小越好，等权合成风格因子时需要先把因子值乘方向再相加。

落到决策： 方向要写进因子定义表，和计算口径、可用日放在一起。合成之前做一次体检：第29章算出来的单因子 IC 符号应该与声明的方向一致。IC 为正、方向却写成 $-1$，说明要么因子定义有问题，要么方向写反了。这类错误在单因子检验里看不出来——那里你总能看到符号，也能自己解释——只有进入合成才会变成损失。

边界。 方向不是永久属性：短期反转和中期动量在同一个市场上方向相反（第24章），有些因子在不同市场环境下会变号，所以方向要跟检验结论一起定期复核。另外要清醒一点：方向会变号的因子不该靠"加权时少给一点"来救。 方向不稳说明它还没被理解，应该退回研究，而不是塞进合成里当噪声。

二、把"排第几"当作共同语言：分位等权是最常用的方案

现象。 方向对齐之后，四列数字还是没法直接相加：EP 是百分比、ROE 是百分比但分布完全不同、20 日涨幅以 0 为中心、波动率没有上界。第28章已经讲过怎么把它们变成可比的分，也讲过 z 分数不改变排序。到了合成这一步，该选 z 分数还是分位？

先用一句话说清两种口径在回答什么： z 分数回答"你比平均水平高出几个标准差"，分位回答"你排在百分之几的位置"。合成里最常用的是分位口径：在同一个形成日、同一个股票池内，把每个因子转成 0 到 100 的分位（方向已统一，越看好分位越高），再取平均。

$$S_i=\frac{1}{k}\sum _{j=1}^k{\text{pct}}_{j,i}$$

$S_i$ 是股票 $i$ 的综合分，$k$ 是因子个数，${\text{pct}}_{j,i}$ 是股票 $i$ 在第 $j$ 个因子上的分位。举例：某只股票的 EP 排在前 10%（分位 90）、ROE 分位 60、20 日涨幅分位 30、低波分位 80，综合分是 $(90+60+30+80)÷4=65$。这个分数的含义可以直接说出口：它在这批股票里平均处于前 35% 的位置。

为什么分位在合成里比 z 分数更常用？ 三个具体原因：

• 不受单个因子分布形状影响。 有的因子天生右偏（第20章：A 股最大市值与最小市值相差近五万倍）。z 分数会让少数极端值把标准差撑大，其余股票的分数全被挤到 0 附近；分位口径下每只股票只占一个位置，一两个极端值和一批极端值对别人没有区别。
• 不会让某一列偷偷说了算。 用 z 分数相加时，若某一列的极端值特别大，那一列在总分里的比重会自动变大，等于给了它一个你没有指定过的权重。
• 不需要估计任何东西。 分位只用到排序，不涉及均值、标准差这些要靠历史估计的量——这一点在讲加权时会变成很重要的优势。

代价。 ① 丢掉"差多少"：第 1 名和第 2 名的差距，与第 500 名和第 501 名的差距在分位口径下一样，而实际可能差很远。② 尾部被压平，最便宜的那几只之间的差别被抹掉——如果策略恰恰依赖最极端的那批（破净股、微盘股），这个代价是真实的。③ 两套口径不能混用：z 口径下的 0 表示"处于平均水平"，分位口径下的 50 表示"中位数"，在有偏分布上这两个位置并不对应同一只股票。④ 缺失项不能当 0 分填——分位口径下 0 分等于"最差"，填进去等于替这家公司做了一个最坏的判断（第28章）。

落到决策： 把"各因子分位等权平均"定为基准方案，后面所有加权方式都和它比。它的好处是没有任何可调开关：如果一套精细加权只在样本内赢它，那不值得换。

三、权重给谁多一点：四种加权方式分别在赌什么

现象。 同样四个因子，等权合成回测年化 18%，按历史 IC 加权 24%，按历史 ICIR 加权 21%（这三个数是示意，用来说明差距量级）。只看这三个数字，IC 加权最好。可把样本期往后挪两年，顺序又变了，IC 加权变成最差的那个。这三套权重没有哪一套是"更正确"的，它们只是对"哪个因子更靠得住"给了三种不同的回答。

在比较它们之前，先看一个决定性的数字：你有多准能判断出哪个因子更强？ 用第29章的因子 A（IC 均值 0.06、IC 标准差 0.18）举例：拿过去 12 个月的数据去估计它的 IC 均值，标准误是 $0.18÷\sqrt{12}=0.052$。标准误是这个平均值自身的波动幅度（约等于标准差除以期数的平方根），它回答的问题是：这 12 期算出来的 IC 均值，能不能当成该因子真实的水平。只有 12 期时，这个均值本身就会摆动 0.052，和信号本身（0.06）差不多大；窗口拉到 49 个月（约四年），标准误才降到 0.026。而两个因子的 IC 差距通常只有 0.01 到 0.02，比单次估计的误差小一个数量级。这段数字说的是：按 IC 加权，等于让一堆估计误差在替你决定权重。

（用 12 个月不是随手取的，而且这里有一条纪律：权重窗口本身就是一个会被挑到最好看的参数。 华泰金工在因子合成报告里对"最大化 IC_IR"的权重窗口做过参数敏感性测试，测了 3、6、9、12、24、36 个月，多数因子组合在 12 个月上效果较好——所以窗口要事先写死，并和权重方案一起写进报告。）

四种做法，先讲清它们各自在做什么：

• 等权。 每个因子都给 $1/k$，不做任何估计。它是唯一一个"你不需要回答'谁更强'"的方案。
• 历史 IC 加权。 把过去一段时间每个因子的 IC 均值当作权重，让预测力强的因子说话更大声。华泰金工在一份行业层面的因子复合报告里把它称为"本质上相当于因子动量加权"。
• 历史 ICIR 加权。 用 IC 均值除以 IC 标准差当权重（ICIR 的定义见第29章），既看它准不准、也看它稳不稳。华泰的表述是"在考虑因子动量的同时也兼顾了稳定性"。
• 最大化 IC_IR。 这不再是拍一个权重，而是解一个最优化问题：把各因子的 IC 均值向量 $\mu$ 和 IC 之间的协方差矩阵 $\mathrm{\Sigma }$ 一起考虑，让合成因子的 ICIR 最大，解是 $w={\mathrm{\Sigma }}^{-1}\mu$（再归一化）。这里的 $\mu$ 是"每个因子过去平均有多准"，$\mathrm{\Sigma }$ 描述"各因子的准头是不是一起起伏"——协方差衡量两个序列一起变化的程度，可以理解为去掉量纲之前的相关系数。思路最早由 Qian 在《Quantitative Equity Portfolio Management》中提出，华泰金工在因子合成报告里转述并实测过。

把它们的差别压缩成一行一行的对照：

做法	权重从哪来	要估计多少东西	什么时候会骗你
等权（含分位等权）	不用估计，每个因子 $1/k$	0 个	因子高度相关时会把同一方向算两遍（第四节）
历史 IC 加权	过去 $T$ 期 IC 均值	每个因子 1 个均值	IC 均值本身被噪声主导（12 期时标准误 0.052）；过去准不保证将来准
历史 ICIR 加权	IC 均值 ÷ IC 标准差	每个因子的均值与标准差	稳定但弱的因子会拿到较多权重；忽略因子之间的相关性
最大化 IC_IR	$w={\mathrm{\Sigma }}^{-1}\mu$	$k+k(k-1)/2$ 个	$\mathrm{\Sigma }$ 估不准时权重乱跑，甚至解出负权重

这张表的读法： 从上往下，权重越来越"聪明"，但要估计的东西从 0 个涨到 21 个（六个因子时）。每一行多出来的信息，都要用数据去换，而数据量是固定的——这是第六节全部结论的根。

为什么 ICIR 加权常被认为比 IC 加权稳？ 因为 IC 均值高的因子可能是"偶尔准得离谱、平时不准"，它的高均值由少数几期贡献，权重压上去以后，那几期不再出现，组合就失去了支撑。ICIR 把波动一起算进去，等于问"它是稳定地准，还是偶尔准"。但要注意：ICIR 加权只看每个因子自己的稳定性，没有看因子之间的相关性——两个因子可能同时好、同时坏，这件事留到下一节。

还有一个容易被忽略的变体：相乘。 上面四种做法都是加权求和。华泰金工在行业层面的因子复合里还用过"排序相乘"：把各因子的归一化排名直接相乘。相加允许互补（一项很差可以被另一项很好补回来），相乘要求全面（任何一项很差就把总分拉下来）。怎么选？相乘等价于把更大的权重交给"最差的那一项"——某只股票只要在一个因子上排到很后面，总分就会被压下去。所以判断方式很直接：你要的是"整体偏好、允许偏科"就选相加；你要的是"不许有明显短板"就选相乘。代价是相乘对缺失值和极端分位更敏感：某一项接近 0 分时，总分会被直接压到 0，而不是像相加那样还有回旋余地。本章和绝大多数券商报告用的都是相加，相乘是一个需要明确理由才用的变体。

落到决策： 默认用分位等权。想偏离它，要给出与"它在这段历史里 IC 更高"无关的理由，比如该因子在别的市场、别的年代也被独立验证过，或者它的经济逻辑更可靠（第19章）。另外，比较两套权重方案时不要只盯回测年化的小数点：看取前 N 只的名单换了几只、换手率变了多少、扣掉成本后还剩多少。只做多组合取前 50 名时，两套高度相关的权重很可能选出高度重叠的名单，多出来的那几个百分点就值得怀疑。

边界。 等权不是万能的。两个因子在说同一件事时，等权会把这件事算两遍——你以为给了"便宜"25% 的权重，实际给了接近一半。这正是下一节的问题。

四、两个高度相关的因子等权相加，等于给同一个方向算了两遍

现象。 四个因子是 EP、BP、ROE、20 日涨幅。EP 和 BP 是两列不同的数字，但想想它们各自在说什么：EP 高是"利润相对价格便宜"，BP 高是"净资产相对价格便宜"，都在说这家公司便宜。等权相加等于给"便宜"分配了 2/4 的权重，质量和动量各 1/4。你以为四个因子各占四分之一，实际"价值"占了一半。

先把这个损失量化。 标准化之后、方向已对齐的若干因子等权相加，合成因子的 IC 大致是：

$$I{C}_S\approx \frac{\sum _{j=1}^{k}I{C}_j}{\sqrt{k+k(k-1)\overline{\rho }}}$$

其中 $S$ 表示合成之后的因子，$I{C}_j$ 是第 $j$ 个因子的 IC，$\overline{\rho }$ 是各因子两两之间的平均相关系数（相关系数衡量两组数字"同涨同跌"的程度，取值 −1 到 1，0 表示没有关系）。分母里的 $k(k-1)\overline{\rho }$ 就是重复计数的代价：相关性越高，分母越大，分子上辛苦加起来的那些 IC 被抵消得越多。 假设四个因子的 IC 都是 0.05，代入不同的平均相关系数：

读图：横轴是各因子之间的平均相关系数，从左往右表示它们越来越像；纵轴是合成因子的 IC。四条曲线分别是把 2 个、3 个、4 个、6 个 IC 为 0.05 的因子等权相加的结果（按上式算出的示意值），横向虚线是单个因子的水平 0.05。彼此不相关时，四个因子能把 0.05 提到 0.10；平均相关系数 0.3 时只剩 0.073；相关系数 0.8 时只有 0.054——加了三个因子，约等于没加。 图要说的是：合成带来的提升由"因子之间的不相似程度"决定，不由"因子个数"决定。

两个可以直接记住的推论：

• 相关系数 0.8 的两个因子等权相加，合成因子与其中任何一个的相关高达 0.95。 它几乎就是原来的因子，只是名字变长了一点。
• 边际收益衰减极快。 两个不相关的因子能把 IC 从 0.05 抬到 0.071；而从 4 个加到 6 个（平均相关 0.3 时）只从 0.0725 抬到 0.0775。凑数量，不如把已有因子的预处理和覆盖率做好（第28章、第29章）。

还有一种相关性，和上面这个不是一回事，但同样决定合成值不值：IC 序列之间的相关性。 上面那个 $\overline{\rho }$ 说的是"两列因子值长得像不像"；这里说的是"两个因子的预测力是不是同时好、同时坏"。它影响的是合成因子的 ICIR，也就是结论的可靠程度。

在给数字之前，先把下面表里最后一列那个门槛讲清楚。 一个结论算不算站得住，取决于效果相对它自己的波动有多大：t 值就是这个比值——观察到的效果除以它自己的标准误。它回答的问题是"这个结果纯属噪声的概率有多大"：t 越大越不像噪声。$t=2$ 是一条习惯上的线，对应纯噪声下出现这种结果的概率约 5%（来处见第29章、第30章）。期数越多、ICIR 越大，t 就越大，三者关系是：

$$t=\mathrm{ICIR}\times \sqrt{N}$$

$N$ 是期数。把这条式子反过来解就得到 $N=(2÷\mathrm{ICIR}{)}^2$——"要过 t=2 需要多少期"，就是"我需要多长的数据才配得出结论"，这也是一个可以直接用来倒推研究周期的公式。

沿用上面的设定（四个因子、IC 均值都是 0.05、IC 标准差都是 0.18），算出来是这样：

IC 序列之间的相关系数	四因子组合的 ICIR	过 t=2 需要的期数
0（各准各的）	0.56	13 个月
0.3	0.40	25 个月
0.6	0.33	36 个月
1.0（完全同步）	0.28	52 个月

第一行的 0.56 是怎么来的，值得看一眼： 组合 IC 的均值就是四个因子各自 IC 均值之和（$0.05\times 4=0.2$），而组合 IC 的波动在四个 IC 序列互不同步时大约是 $0.18\times \sqrt{4}=0.36$，两者相除就是 0.56。所以决定 ICIR 的只有两件事：各因子平均有多准，以及它们的准头是否同步。 注意上一节那个因子值之间的相关系数 $\overline{\rho }$ 不在这条比值里——它把组合的 IC 和它的波动一起缩小，相除时抵消掉了。

对比一下：单个因子自己的 ICIR 是 $0.05÷0.18=0.28$，过 t=2 需要 52 个月。也就是说，四个因子各准各的时候，同样的四年数据能得出结论；而四个因子同时好同时坏时，合成和没合成一样，还是得等四年多——合成的价值不只在把 IC 均值抬高，还在把 IC 的波动摊平。

这里要防一个很容易犯的错： 最大化 IC 和最大化 IC_IR 用的是两个不同的矩阵——前者用因子值的相关系数矩阵（控制"数值重复"，就是上一节那个 $\overline{\rho }$），后者用 IC 的协方差矩阵（控制"预测力同步"，就是这张表里的相关性）。两个矩阵名字很像、含义不同：把因子值的相关矩阵当成 IC 的协方差矩阵代进 $w={\mathrm{\Sigma }}^{-1}\mu$，权重就解错了，而解出来的权重看上去仍然"合理"、不会报错。

现实中的相关系数是多少？看两组公开数据。 国投证券重估估值指标时发现，优化后的 BP、EP、CFP 三个融合因子之间的秩相关系数都在 0.2 以下（BP-EP 0.19、BP-CFP 0.16、EP-CFP 0.17）——秩相关系数是先把每列换成排名再算的相关系数，也就是第29章 Rank IC 用的那套算法；报告据此判断"信息互补性强"，等权融合后的综合估值因子优于各单一因子。而华泰金工的估值因子专题给出的结论相反：EP 与扣非 EP、BP 与 SP 这两对因子"正相关性极强"，股息率与 EP、BP、SP、经营现金流收益率等也都较强。同一大类里既可能有互补的因子，也可能有几乎重复的因子，谁都替不了你实测这一遍。

落到决策： 合成之前先算因子值的截面相关矩阵（第30章第七节给过三个查法：相关矩阵、排序重叠率、增量贡献）。查出高相关之后有三种处理：删掉一个（保留逻辑更清楚的那个）、合成一个（EP 和 BP 合成"综合估值分"，损失一点信息换掉重复计数）、正交化（下一节）。三种没有绝对优劣，但正交化最复杂，放最后考虑。

边界。 相关系数不是固定属性：它随股票池变化，随预处理变化（第28章：中性化会改变因子之间的相关结构，所以相关矩阵必须在最终采用的那套预处理之后重算），也随市场环境变化——平时不相关的两个因子，在流动性紧张时可能一起下跌（第17章的风格拥挤）。

五、正交化：把重复的部分剔掉，但要接受含义也跟着变了

现象。 你知道 EP 和 BP 重复，但你觉得 BP 也带着 EP 没有的信息（比如重资产公司的资产价值），不想直接删。有没有办法只保留 BP 里新的那部分？

有。做法是把 BP 对本截面的 EP 做一次回归，取残差：

$$B{P}_i^{\perp }=B{P}_i-(a+b\cdot E{P}_i)$$

$a$、$b$ 是用当天全部股票拟合出的截距和斜率，$B{P}_i^{\perp }$ 是残差，含义是"在同样的 EP 水平下，BP 还高出来的那部分"。这个残差与 EP 的截面相关系数恰好是 0（最小二乘的构造保证），所以它不会再和 EP 重复计数。这个动作叫正交化：把因子拆成"与已有因子重叠的部分"和"剩下的部分"，只把剩下的部分拿去合成。

但在接收它之前，先看清三笔代价——第一笔是含义变了。 原来的 BP 测的是"净资产相对价格便宜"，正交后的残差测的是"在同样的盈利估值水平下，资产端更便宜"。它不再是"低估值"这个逻辑，而是"两类便宜之间的相对差异"。这意味着你不能再拿它和别的股票的 BP 直接比大小，也不能再用"低估值价值因子"来解释它的表现。第28章的道理在这里第二次出现：处理过的因子，表达的是处理过之后的逻辑。

第二笔：剔掉的那部分可能是真收益。 两个因子共同解释的那一段（"这家公司整体便宜"），很可能正是价值因子主要赚钱的地方。把它当作"重复部分"删掉，剩下的残差 IC 通常明显更低。这时必须问一句：低 IC 是因为它只带增量信息，还是因为主要信息被删掉了？两者的结论完全不同，只有样本外比较能回答（第30章第八节）。

第三笔：它多了一个可以挑的开关。 正交化依赖顺序——先正交 BP 再正交 EP，与反过来做，结果不同。既然有两种顺序，就存在"哪种顺序回测更好"的选择，第30章的多重检验门槛要再抬一次。

它不是没用。 兴业证券在一份估值因子研究里做过这件事：把传统估值因子 BP、EP、SP 从他们构造的"估值趋势偏离度"因子里剥离（也就是正交化）之后，以 SP 为例，剩余部分仍有 IC 0.036、t 值 7.4。这个例子的用处是给出一次动手前的检查：先做一遍剥离，看残差自己还剩下多少。残差直接归零、或者经不起第29章那套检验，说明这个因子的信息几乎全在重叠部分里，正交化就是白做，删掉它更省事；只有残差单独拿出来还站得住，正交化才值得用。 顺带说明它真正的用武之地：华泰金工把"把共线性严重的因子先合成、再放进回归"列为因子合成的两个用途之一——也就是说，正交化更常服务于后面的回归（让回归系数不被共线性带偏），而不是服务于打分排序。

落到决策： 处理高相关因子时按 删一个 → 合成一个 → 正交化 的顺序试，因为前两种更简单、更好解释、也不改变因子含义。用了正交化，就必须同时报告正交前后的结果，并说明每个残差现在代表什么。

边界。 正交化只重新分配权重，不能修复数据问题（第27章），也不能把无效因子变成有效因子。而且控制变量不止一个：可以对 EP 正交，也可以同时对行业、市值、其他因子一起回归取残差——第28章的市值中性化就是同一个动作的特例。

六、权重越精细、模型越复杂，要多做的判断就越多

现象。 你把六个因子放进"最优加权"里求解，样本内比等权高 3 个百分点；拿到样本外几乎持平，有的年份还更差。而你在调权重上花掉的时间，本可以用在数据口径、预处理和覆盖率这些更基础的事情上。这不是计算错误：那一版"最优权重"比等权多用了三样东西——一个估计窗口、一个协方差估计方法、一组权重约束；每多一样，就多一次可以挑的机会，也多一次需要样本外验证的判断。

原因一：要估的参数随因子个数平方增长，数据量却不变。 第三节那张表的第四行要估 $k+k(k-1)/2$ 个量（$k$ 个 IC 均值，加上两两相关系数）：4 个因子是 10 个，6 个因子是 21 个，10 个因子是 55 个。而数据量按期数算：月频 5 年 60 期，10 年 120 期。"六个因子配五年样本"等于每个参数分不到三期观测——这正是第30章"数一数参数个数与期数"的动作，只是这里的参数藏在权重里。

原因二：优化器会把噪声当信号，而且这件事有公开记录。 华泰金工在因子合成报告里做了坦白的交代：用样本协方差矩阵代替真实协方差矩阵，样本量不足时两者差异过大，估出来的矩阵还可能是病态的（求逆不稳健）；更直接的现象是，无约束解出的权重经常出现负数，"与因子本身的逻辑相反"——一个明明越高质量越好的因子被赋了负权重，说明优化器在拟合历史噪声，而不是在表达投资逻辑。他们的处理是加上权重非负的约束。

原因三：这不是因子研究独有的问题。 DeMiguel、Garlappi 和 Uppal（2009）比较了 14 个最优化模型与最简单的等权（1/N）方案，在七个数据集上没有一个模型能在夏普比率、确定性等价收益（把收益和风险折合成一个可比数字的指标）或换手上稳定胜过等权；按他们的计算，要让最优化稳定胜出，25 个资产需要大约 3000 个月（250 年）的估计窗口。注意适用范围：那是"资产之间的资金怎么分配"，不是"因子之间的权重"，但机制同源——都在用历史估出来的均值与协方差做最优解，而估计误差会吃掉最优化在理论上的好处。对你的用处是一条粗糙的标尺：要优化的对象越多，靠最优化多拿到的越少——因子从 4 个加到 10 个，参数从 10 个涨到 55 个，而你手上的期数一期都没多。

但不要把这一节读成"等权最好"。 华泰金工的实测结论是：在这个框架下，最大化 IC_IR 与最大化 IC 合成的因子"能大概率战胜等权复合因子"，在因子收益率、IC_IR、多空夏普上更好，最大回撤更低。所以准确的说法是：精细加权可能确实更好，但它要多做三个判断——窗口取多长、协方差怎么估、要不要加约束；每个判断都是一次可以挑的机会，都要用样本外检验。等权一个判断都不需要做。 如果你的数据量和时间支撑不起三个待检验的判断，先用等权。

还有一种"又稳又复杂"的做法，代价在别处。 华泰金工测的六种合成方法里，主成分分析（PCA：把多个相关的因子压成少数几个互不相关的新变量）的稳定性仅次于等权，每期权重的差异也很小。但报告同时写明它的劣势：PCA 只用因子值本身的性质，与因子收益、IC 都无关，合成后的因子"不具备明显的经济学含义"，未来表现也不一定优于参与合成的单因子。 稳定和可解释，在这里要二选一。

落到决策： 把分位等权当基准线。更复杂的加权方案必须在样本外、扣掉成本与换手之后仍然胜过它，才值得用；同时把"试过几套权重方案"计入第30章的多重检验门槛——试过 20 套权重就是试了 20 个版本，t 门槛从 1.96 抬到 3.02。

边界。 这一节不是"越简单越好"。当因子之间存在明确的条件关系（例如动量只在低波动股票上有效），或因子数量很多、每个单独都很弱时，降维或非线性模型可能确实有用——但那需要更长的样本、更严格的样本外检验，已经超出一门入门课程的边界，本章不展开。

七、合成分是一个新因子，要重新过一遍检验

现象。 合成完成，回测年化 25%，比任何一个单因子都好。但这个 25% 里，有多少来自因子，有多少来自权重被挑过一遍？合成把四五个因子的毛病集中到了一个数字上，而这个数字自己还没有被检验过。

先把前面几节的动作串起来——合成一共是六步，第七节要处理的是最后一步：

读图：第 1、2 步是准备工作，决定分数可不可比；第 3、4 步是决策，也是可以挑的地方最多的两步（相关处理选哪种、权重选哪套）；第 5 步才真的把分数加起来。第 6 步不是收尾，而是把这个分数当成一个新因子送回去检验：不合格就退回第 3、4 步重做。 图要说明的是：合成不是"把因子加起来"这一个动作，而是一条有两次检查点的流水线。

第一件事：把合成分当成一个全新的因子，重走第29章的检验。 分组是否单调、IC 与 ICIR 是多少、覆盖率如何、换手率和成本多少、在行业与市值分层里还成不成立、分阶段是否稳定、衰减多快、是否够得过门槛。这一步能立刻给出量级感：四个 IC 0.05、平均相关 0.3 的因子合成出来，IC 大约 0.073；如果这几个因子的 IC 序列相关约 0.3，ICIR 大约 0.4，要过 t=2 需要约 25 期——这决定了你至少需要多长的样本才有资格判断它。

第二件事：把合成环节新增的开关列出来。 到这一章为止，研究者手里的开关又多了一组：用哪几个因子、每个因子怎么预处理、权重方案、权重估计窗口、正交化顺序、保留几个因子。这些都是可以"看一眼结果再改"的地方，所以第30章的审查动作在这里要再做一遍，而且"试过几套权重方案"必须和 IC、换手率一样写进报告。

第三件事：权重的信息时间。 权重要用历史 IC 估计，那就只能用形成日之前的数据——国投证券的做法是"滚动 12 个月"，这是一条可以直接照抄的纪律：在 $t$ 日打分时，只用 $t$ 日之前 12 个月已经实现的 IC。用全样本的 IC 算出权重、再拿这套权重回测整段历史，就是在用未来信息（第27章、第30章）。这是合成环节最常踩的坑，因为它藏在"权重"这个看起来只是参数的地方。

落到决策： 一份合成方案要交代清楚六件事——用了哪几个因子及各自方向、每个因子的预处理、权重方案与权重的估计窗口、正交化顺序（如果用了）、合成分重走第29章检验的结果、试过几套权重方案。写不出这六条，别人（包括三个月后的你自己）没法判断这个 25% 值不值得信。

边界。 因子越多，分数越难解释。由十几个因子合成出来的总分，很难回答"这只股票为什么入选"——而这个问题在实盘遇到回撤时是必需的：没有解释，你就分不清是正常回撤还是因子失效（第42章）。另外，分数只是排序，不等于仓位：买几只、每只买多少、单个行业最多配多少，是第32、33章的事。

本章小结

• 合成之前先对齐因子方向（$+1$ 越大越好、$-1$ 越小越好）。方向没对齐时，合成分会把组合推向相反的风格，而程序和回测都不会报错。
• 默认用分位等权：每个因子转成 0—100 的分位再取平均，含义是"平均排在前百分之几"。它不需要估计任何东西，也不受极端值影响；代价是丢掉"差多少"、抹平尾部，不能与 z 分数口径混用，缺失项也不能当 0 分填。
• 四种加权各有赌注：等权（不估参数）、历史 IC 加权（本质是因子动量；12 期估出的 IC 均值标准误 0.052，和信号本身一样大）、ICIR 加权（兼顾稳定，但忽略因子之间的相关性）、最大化 IC_IR（$w={\mathrm{\Sigma }}^{-1}\mu$，六个因子要估 21 个参数）。
• 合成 IC 大致是 ${\displaystyle \frac{\sum I{C}_j}{\sqrt{k+k(k-1)\overline{\rho }}}}$：四个 IC 0.05 的因子彼此不相关时合成到 0.10，平均相关 0.3 时 0.073，相关 0.8 时只剩 0.054。提升来自"不相似"，不来自个数。
• IC 序列之间的相关性决定的是 ICIR：决定 ICIR 的只有两件事——各因子平均有多准、它们的准头是否同步，因子值之间的相关不在这条比值里。四因子各准各的时 ICIR 从 0.28 升到 0.56（过 t=2 从 52 期降到 13 期）；同时好同时坏，就等于没合成。判断"多少期数据才够"的式子就是 $N=(2÷\mathrm{ICIR}{)}^2$，其中 $N$ 是期数。注意最大化 IC 与最大化 IC_IR 用的是两个不同的矩阵，混用会解出错的权重。
• 高相关因子按 删一个 → 合成一个 → 正交化 的顺序处理。正交化把因子拆成"重叠部分"和"剩余部分"（$f^{\perp }=f-(a+b{f}_1)$），代价是含义改变、剔掉的可能是真收益、还多一个可以挑的顺序。
• 精细加权可能更好，但每个额外判断都要样本外验证。 1/N 的经典结果是一个参照：14 个最优化模型在七个数据集上没有一个能稳定胜过等权（机制同源，适用范围是资产配置）。华泰金工自己也遇到过优化器解出负权重这种明显不合理的现象。
• 合成分是新因子，要重走第29章检验、重做第30章审查；权重只能用形成日之前的数据估计，用全样本 IC 算权重就是用未来信息。

下一章处理在合成之前就该做、却常被忽略的一步：哪些股票根本不该进入这个排序——上市不满半年、ST、长期停牌、成交清淡、财务已经异常的公司。股票池选错，后面所有因子分数都只是在错的名单上排队。