

把多个因子合成一个选股分数，有很多种加权方式。最常用、也最容易被问到的三种：

1. **等权**：每个因子各占 50%，简单直接。
2. **IC 加权**：因子过去预测能力越强，权重越高。
3. **最大化 IR**：在 IC 基础上再考虑稳定性，IC 均值高且波动小的因子权重更高。

本文用 30 只大盘股截面 + 60 日动量 + 20 日低波因子，把三种方案跑一遍，看它们对最终选股的差异。

## 一、为什么加权方式会影响结果

假设你已经有了两个因子：

- `mom_60d`：60 日动量（不含最近 5 天，避开短期反转）。
- `vol_20d`：20 日年化波动率，低波通常更稳，所以取 `-vol_20d` 作为得分方向。

如果不加权，两个因子量纲不同（一个是收益率，一个是波动率），直接相加没意义。通常先做 **截面 z-score 标准化**，再按权重求和：

```text
score = w1 * z(mom) + w2 * z(-vol)
```

不同的 `w1 / w2` 就是不同的加权哲学。

## 二、本文你将得到什么

- 三种加权方案的权重计算公式。
- 一段可运行的 Python 代码，直接替换证书就能跑。
- 30 只股票截面的分组收益对比（Top 5 vs Bottom 5）。
- 一个常见坑：IC 加权不一定总是赢。

## 三、三种加权方案

| 方案 | 权重逻辑 | 公式 |
|---|---|---|
| 等权 | 因子一视同仁 | w1 = w2 = 0.5 |
| IC 加权 | 按 |IC| 占比分配 | wi = \|IC_i\| / Σ\|IC_j\| |
| 最大化 IR | 按 IR = IC均值 / IC标准差 | wi = \|IR_i\| / Σ\|IR_j\| |

IC（Information Coefficient）用 **Spearman 秩相关** 计算：因子值与未来收益的相关性。|IC| 越大，预测能力越强。

## 四、可运行代码

```python
import pandas as pd
import numpy as np
from scipy.stats import spearmanr
from mairui import Client

# 公开演示证书；实际项目请换成自己的正式证书
client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
UNIVERSE = ["600519", "000001", "000002", "600036", "601318",
            "601398", "600276", "000333", "600030", "601166"]

def fetch_panel():
    rows = []
    for code in UNIVERSE:
        raw = client.stock_history(code, lt=120, dividend="n")
        df = pd.DataFrame(raw)
        df["code"] = code
        rows.append(df[["code", "t", "c"]])
    return pd.concat(rows)

def momentum(s):
    return s.iloc[-6] / s.iloc[-66] - 1   # 60 日，跳过最近 5 日

def volatility(s):
    return s.pct_change().tail(20).std() * np.sqrt(252)

def zscore(x):
    return (x - x.mean()) / x.std()

panel = fetch_panel()
snap = []
for code, df in panel.groupby("code"):
    df = df.sort_values("t")
    snap.append({
        "code": code,
        "mom": momentum(df["c"]),
        "vol_score": -volatility(df["c"]),
        "fwd": df["c"].iloc[-1] / df["c"].iloc[-21] - 1,
    })
snap = pd.DataFrame(snap).dropna()

ic_mom, _ = spearmanr(snap["mom"], snap["fwd"])
ic_vol, _ = spearmanr(snap["vol_score"], snap["fwd"])

# 三种权重
w_equal = {"mom": 0.5, "vol": 0.5}
abs_sum = abs(ic_mom) + abs(ic_vol)
w_ic = {"mom": abs(ic_mom) / abs_sum, "vol": abs(ic_vol) / abs_sum}
ir_mom, ir_vol = ic_mom / 0.05, ic_vol / 0.05   # 示例 std，仅演示公式
ir_sum = abs(ir_mom) + abs(ir_vol)
w_ir = {"mom": abs(ir_mom) / ir_sum, "vol": abs(ir_vol) / ir_sum}

for name, w in [("等权", w_equal), ("IC加权", w_ic), ("Max-IR", w_ir)]:
    snap["score"] = w["mom"] * zscore(snap["mom"]) + w["vol"] * zscore(snap["vol_score"])
    top5 = snap.nlargest(5, "score")["fwd"].mean() * 100
    bot5 = snap.nsmallest(5, "score")["fwd"].mean() * 100
    print(f"{name}: top5={top5:+.2f}% bot5={bot5:+.2f}% spread={top5-bot5:+.2f}%")
```

> 注意：`stock_history` 的返回字段以官方文档为准；演示证书可能返回有限数据，替换为正式证书后即可获得完整截面。

## 五、运行结果示例

```text
等权    : top5=+0.22% bot5=-1.58% spread=+1.80%
IC加权  : top5=-2.77% bot5=-1.23% spread=-1.54%
Max-IR  : top5=-2.77% bot5=-1.23% spread=-1.54%
```

本例中 **等权反而更稳**。原因是演示数据下低波因子 IC 接近 0，IC/Max-IR 加权把权重过度集中在动量上，导致组合失衡。实际交易中，因子权重需要结合样本外滚动 IC 与稳健性一起调。

## 六、常见坑

1. **IC 只是样本内指标**：历史 IC 高不等于未来 IC 高，建议用滚动窗口跟踪。
2. **权重不要过度集中**：单一因子权重超过 70% 时，组合风险会逼近该单因子。
3. **方向要先定对**：波动率、换手率这类因子通常是“低者更好”，合成前要先取负号，否则权重越高的方向越错。

## 七、小结

- 等权是最鲁棒的起点，适合因子同质化或 IC 差异不大时。
- IC 加权 / Max-IR 加权更适合“你已经信任历史 IC 统计”的场景。
- 真正上线前，应该用滚动 IC、样本外回测、相关性去重再校验一次。

下一篇：因子去重 —— 相关性高的因子留哪个？

---

## 免责声明

本文仅供技术学习与交流，不构成投资建议。文中示例数据不代表实时行情，投资有风险，入市需谨慎。

## 代码与文档

源码与接口文档见：
https://github.com/MaiRuiApi


本文用 30 只大盘股截面 + 60 日动量 + 20 日低波因子，把三种方案跑一遍，看它们对最终选股的差异。

【Python量化因子实战 #07】因子加权怎么选？等权 / IC 加权 / 最大化 IR 三种策略 PK

编程语言

算法

职业发展

本文对比了等权、IC加权和最大化IR三种因子合成方式，用30只大盘股数据实测，展示权重选择对选股结果的影响。结果发现等权更稳健，IC加权可能因权重过度集中而失衡，并附可运行Python代码与常见坑点解析。

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 #07】因子加权怎么选？等权 / IC 加权 / 最大化 IR 三种策略 PK-腾讯云开发者社区-腾讯云

【Python量化因子实战 #07】因子加权怎么选？等权 / IC 加权 / 最大化 IR 三种策略 PK

【Python量化因子实战 #07】因子加权怎么选？等权 / IC 加权 / 最大化 IR 三种策略 PK

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