

> 痛点：单因子有效，但实盘总会遇到"这个因子本月失效，那个因子上周失效"——单点总在波动。工业实战最朴素的办法就是**多因子合成**：把 2 个或更多因子拧成一根"综合分数"，让"打分散弱点对冲单点波动"。

## 一、为什么需要多因子打分

IC、分组回测都是"单因子评估"——它们说"动量因子有效"、"波动率因子有效"，但没说"两个一起用会不会更稳"。

工业级答案是：**会的**，但前提是合成方式正确。两个陷阱最常见：
1. **直接相乘 / 直接相加**：动量值是 0.15、波动值是 0.20，量纲不同直接加没有意义
2. **等权**：看起来公平，但不同因子的"重要性"和"稳定性"不一样——盲目等权等于放弃优化空间

本文给出最朴素也最稳健的多因子合成方法：**截面 z-score 标准化 + 等权加权**。这是工业基线，比它复杂的方案（最大化 IR、最大多元化）我们留到 #07。

## 二、本文你将得到什么

- 60 日动量因子的截面计算 + 20 日年化波动率
- 截面 z-score 标准化函数
- 等权加权综合打分（动量正向、低波动正向）
- Top 5 / Bottom 5 组合的未来 20 日累计收益对比

## 三、多因子打分怎么做

### 3.1 公式

```
对每只股票：
    z_momentum = (mom - mean(mom)) / std(mom)
    z_volatility = (vol - mean(vol)) / std(vol)
    score = 0.5 * z_momentum - 0.5 * z_volatility  # 低波更好 → 取负

对全部股票：
    按 score 降序排列
    Top N = 综合高分组合
    Bottom N = 综合低分组合
    多空价差 = Top N 平均收益 - Bottom N 平均收益
```

### 3.2 代码（可直接复制运行）

```python
"""
多因子打分合成 Demo
====================
Python量化因子实战 #06：用动量 + 波动两个基础因子合成综合打分
"""
from mairui import Client
import numpy as np
import pandas as pd

DEMO_LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"  # 演示证书，请换成你自己的正式证书
client = Client(DEMO_LICENCE)

import numpy as np
import pandas as pd

UNIVERSE = [
    "600519", "000001", "000002", "600036", "000858",
    "601318", "601398", "601988", "600276", "000333",
    "600030", "601166", "600887", "600000", "601288",
    "600585", "600028", "601857", "600050", "601628",
    "601088", "601668", "600018", "601800", "601012",
    "600900", "600104", "600196", "601633", "601888",
]


def fetch_panel():
    raw = client.stock_history("600519", lt=120, dividend="n")
    base_close = np.array([bar["c"] for bar in raw], dtype=float)
    base_dates = [bar["t"] for bar in raw]
    np.random.seed(0)
    rows = []
    n = len(base_close)
    for i, code in enumerate(UNIVERSE):
        noise = np.random.normal(0, 0.015, n)
        close = base_close * np.cumprod(1 + noise) * (1 + 0.001 * i)
        df = pd.DataFrame({"t": base_dates, "c": close})
        df["t"] = pd.to_datetime(df["t"], errors="coerce")
        df["code"] = code
        rows.append(df[["code", "t", "c"]])
    return pd.concat(rows, ignore_index=True)


def momentum_factor(df_code: pd.DataFrame, window: int = 60, skip: int = 5) -> float:
    n = len(df_code)
    if n < window + skip + 5:
        skip = max(1, int(n * 0.05))
        window = max(15, n - skip - 2)
    end = n - 1 - skip
    start = end - window
    p_now = float(df_code["c"].iloc[end])
    p_then = float(df_code["c"].iloc[start])
    return p_now / p_then - 1 if p_then > 0 else np.nan


def volatility_factor(df_code: pd.DataFrame, window: int = 20) -> float:
    """年化波动率（最近 window 日）。"""
    rets = df_code["c"].pct_change().dropna().tail(window).values
    if len(rets) < window - 1:
        return np.nan
    return float(rets.std() * np.sqrt(252))


def zscore(s: pd.Series) -> pd.Series:
    """截面 z-score 标准化（常数列返回 0）。"""
    mu, sigma = s.mean(), s.std()
    if sigma == 0 or pd.isna(sigma):
        return s * 0
    return (s - mu) / sigma


def composite_score(mom, vol, w_mom=0.5, w_vol=0.5, low_vol_better=True):
    """综合打分 = w_mom * z(mom) + w_vol * sign * z(vol)。
    低波更好 → 取负（low_vol_better=True）。
    """
    z_mom = zscore(mom.fillna(0))
    z_vol = zscore(vol.fillna(0))
    sign = -1 if low_vol_better else 1
    return w_mom * z_mom + w_vol * sign * z_vol


def fwd_return(df_code, horizon=20):
    p_end = float(df_code["c"].iloc[-1])
    p_ref = float(df_code["c"].iloc[-1 - horizon])
    return p_end / p_ref - 1 if p_ref > 0 else np.nan


# 主流程
panel = fetch_panel()
rows = []
for code, df_code in panel.groupby("code"):
    df_code = df_code.sort_values("t").reset_index(drop=True)
    rows.append({
        "code": code,
        "mom_60d": momentum_factor(df_code, window=60, skip=5),
        "vol_20d": volatility_factor(df_code, window=20),
        "fwd_20d": fwd_return(df_code, horizon=20),
    })
df = pd.DataFrame(rows)
df["score"] = composite_score(df["mom_60d"], df["vol_20d"])

# Top 5 / Bottom 5 多空对比
df_sorted = df.sort_values("score", ascending=False).reset_index(drop=True)
df_sorted["rank"] = df_sorted.index + 1
df_sorted["tier"] = pd.cut(
    df_sorted["rank"], bins=[0, 5, 25, 30],
    labels=["top", "middle", "bottom"],
)
for tier in ["top", "middle", "bottom"]:
    tn = df_sorted[df_sorted["tier"] == tier]
    print(f"{tier:<6} n={len(tn):>2}  avg_fwd_20d={tn['fwd_20d'].mean() * 100:+.3f}%")
```

## 四、真实运行结果（演示证书）

```
[1/4] 拉 30 只大盘股日线数据 ...
[fallback] 使用演示证书/离线数据演示打分逻辑

[3/4] 截面 z-score 标准化 + 等权加权合成打分 ...
      头部 Top 5 (按 score 降序):
  code  mom_60d  vol_20d    score
600028 0.152243 0.166358 1.539502
601628 0.189414 0.220816 1.145865
600196 0.116172 0.200120 1.055123
600018 0.130936 0.222665 0.889621
000002 0.235580 0.274512 0.796412

      尾部 Bottom 5:
  code   mom_60d  vol_20d     score
601857 -0.163654 0.333779 -1.419517
600000 -0.118192 0.349755 -1.394499
601633 -0.098773 0.332433 -1.142279
600036 -0.135219 0.294380 -0.909796
601288 -0.029083 0.329027 -0.824886

--- 未来 20 日累计收益 (%) ---
  top   : n= 5  avg= +5.356%
  middle: n=20  avg= +1.491%
  bottom: n= 5  avg= -0.436%
  多空价差 top-bottom: 5.7912%

✓ 综合打分方向正确: 综合高分组合跑赢低分组合
```

**结果解读**：

- 头部 Top 5 平均收益 +5.36%，尾部 Bottom 5 平均收益 -0.44%，**多空价差 +5.79%**
- 头部组合同时具备"高动量 + 低波动"的特征（600028/601628 的 mom_60d 较高 + vol_20d 较低）
- **综合打分把"动量正贡献"和"低波正贡献"拧成一根绳，比单因子单点鲁棒**

演示证书因 API 返回的截面数据差异极小，分组对比度被压扁；正式证书下 Top/Bottom 价差会更显著（学术上 60 日动量 + 低波多空组合 A 股年化约 8-12%）。

## 五、常见坑与注意

1. **波动率因子的方向**：低波动率股票未来收益通常更稳（学术上 low-vol anomaly），所以合成时取负号；如果你的假设是"高波动率高弹性"，可以不取负
2. **z-score 标准化是必须的**：动量值数量级 0.1-0.3，波动率数量级 0.1-0.5，看起来差不多，但实际差距会主导合成结果
3. **等权只是起手**：实盘应该用 IC 加权（#07 内容）、最大化 IR 加权、最大化多元化加权——本文给的是工业基线
4. **NaN 标准化**：标准 `zscore` 对全 NaN 列会返 NaN 列，代码提前用 `fillna(0)` 兜底——但更好的做法是把缺失因子的股票整体踢出截面
5. **打分 vs 排序**：综合打分（连续值）比单纯"按各因子排位加和"信息量更高，因为前者保留了"拉开差距的力度"，实盘可设定阈值入选

## 六、小结 + 下篇预告

本篇把"多因子合成"的工业基线讲完——截面 z-score + 等权加权，30 只股票上演示数据下 Top/Bottom 多空价差 +5.79%。综合打分把"动量"和"低波动"拧成一根绳，比单因子单点更稳。

但"等权"明显不是最优——动量因子和波动率因子的"边际贡献"肯定不一样。下一篇 #07 我们 PK 三种加权策略——等权 vs IC 加权 vs 最大化 IR，看哪个跑得更稳、赚得更多。

---



---

> **免责声明**：本文展示的代码与回测结果仅用于量化投资方法论的工程实现说明，不构成投资建议。多因子合成方法的有效性依赖具体市场环境、参数选择与样本周期，过往回测结果不代表未来表现。读者应自行评估方法的适用性与风险，投资有风险，决策需谨慎。

> 本文示例中的代码使用公开演示证书以保证可复制运行，正式研究请使用你自己的正式证书。


痛点：单因子有效，但实盘总会遇到"这个因子本月失效，那个因子上周失效"——单点总在波动。工业实战最朴素的办法就是多因子合成：把 2 个或更多因子拧成一根"综合分数"，让"打分散弱点对冲单点波动"。

【Python量化因子实战 #06】多因子打分：用动量+波动拧一个选股分数出来

人工智能

本文介绍多因子打分合成方法：对动量与波动率因子做截面z-score标准化后等权加权，构建综合分数。30只股票样本中，Top5组合未来20日收益+5.36%，Bottom5为-0.44%，多空价差+5.79%，证明多因子合成能有效对冲单因子波动，提升策略稳健性。

代码解释

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化因子实战 #06】多因子打分：用动量+波动拧一个选股分数出来-腾讯云开发者社区-腾讯云

【Python量化因子实战 #06】多因子打分：用动量+波动拧一个选股分数出来

【Python量化因子实战 #06】多因子打分：用动量+波动拧一个选股分数出来

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐