多因子與多策略，我有時看到兩個詞被混用，但它們的邏輯層次並不是一樣的，搞清楚這個差異，對於如何構建一個真正穩健的系統，有相當實質的影響。
多因子（Multi-Factor）
這是在策略框架內，把多個訊號疊加起來，目的是提升單一預測的準確性。你可以把它想像成一個評分模型，動量、估值、盈利修正、流動性偏好，各自有權重，最終合成一個綜合因子分數，然後根據這個分數做排序（截面）、做倉位（CTA）。
評估因子的工具
- IC是起點，但遠不是終點。IC衡量的是因子預測值與實際收益之間的相關性，穩定的IC比高IC更有價值，一個平均IC只有0.03但每期都為正的因子，實際上比平均IC達到0.08但波動劇烈的因子更可靠。
- ICIR（IC的均值除以標準差）才是判斷因子品質的更好指標，它直接反映了因子訊號的信噪比。不只問「這個因子平均有多準」，還要問「這個因子的預測能力有多穩定、有多可信賴」。
- 因子加進組合之後，還要看它對整體組合IC的邊際貢獻。如果一個新因子的ICIR不錯，但與現有因子的相關性過高，實際上它能帶來的增量資訊極為有限。複習一下昨天講過的做法：把候選因子對現有因子組合做正交化處理，看殘差部分的IC是否仍然顯著。殘差IC不顯著，基本上就是重複暴露，加進來只會增加模型複雜度。
常見誤區
問題在於，很多人以為加因子等於加Alpha。加入的因子之間相關性過高，你只是在重複計算同一個訊號，暴露沒有分散，反而增加了過擬合的風險。
多策略（Multi-Strategy）
則是另一個維度的問題。重點在於用了不同的交易邏輯。趨勢跟蹤、均值回歸、統計套利、事件驅動。這些策略在市場結構上的假設根本不同，甚至在某些市場環境下是互相對立的。
評估多策略組合的指標
- 夏普比率是最常被引用的指標，但它有一個根本性的盲點：它假設收益分佈是對稱的。實際上很多策略的收益分佈有明顯的偏態，趨勢策略往往是正偏態，低勝率但高賠率；均值回歸策略則相反，高勝率但尾部風險集中。單看夏普比率會把這兩類策略放在同一把尺上比較，這本身就是個誤導。
- Calmar Ratio（年化收益除以最大回撤）在某些情況下更能反映策略的實際風險承受結構，特別是對於那些回撤容忍度有限的資金。
- 最大回撤本身也要拆開來看。回撤的深度固然重要，但回撤的持續時間和恢復速度同樣關鍵。一個回撤20%但三個月內恢復的策略，和一個回撤15%但持續兩年的策略，對資金的實際壓力完全不同。水下時間（Time Underwater）是一個被低估的指標，它直接影響資金方的耐心和策略的實際存活週期。
多策略組合的核心價值
在於「不同時虧損」。真正要看的是策略之間在壓力環境下的相關性。平靜市場裡策略之間可能相關性很低，但一旦進入系統性拋售，很多看起來不相關的策略會同步回撤，2020年3月和2022年都非常明顯。
值得做的分析
把歷史數據按波動率區間分層，分別計算策略之間在不同波動率環境下的相關性矩陣。如果高波動率環境下相關性顯著上升，那你的多策略分散效果在最需要它的時候恰恰是最弱的。
策略間資本配置
到了策略間資本配置的環節，靜態固定權重假設每個策略的夏普比率和波動率在時間上是穩定的，這個假設在現實中幾乎不成立。但動態配置需要一個元模型來判斷當前市場環境更適合哪類策略，這本身又是一個預測問題，容易引入額外的過擬合風險。很多機構在這個層面其實相對保守，傾向於用波動率倒數做簡單的風險平價，或者是直接等權再做策略生命週期管理，而策略特別多的會用HRP等模型。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文