樣本內完美，樣本外衰減
你挖了一些因子，樣本內漂亮得不得了45度向上，但到樣本外就開始慢慢decay。
這種感覺做量化的人都熟悉，不少人的反應是去調參數，但這個因子的存在，到底有沒有一個真實的理由？
今天講講老派因子挖掘的必要
統計幻象與過擬合
現在的環境讓因子挖掘這件事變得太容易了。LLM發達，數據源繁多，很容易就能讓算法挖出一批「有效」訊號。問題是，這批訊號背後有多少是真正的定價錯誤，有多少只是歷史數據裡的統計幻象？在樣本內看起來顯著，但如果你說不清楚它為什麼存在，那它大概率只是噪音被模型記住了。
在數據找規律，再補一個解釋，這個流程大機會在製造過擬合。一個經濟邏輯 robust 的因子邏輯應該是反過來的：先有一個關於人類行為或制度摩擦的假設，然後才去數據裡找證據。
行為金融學：從概念到可測試假設
行為金融學給了量化交易員一個很好的起點，但大多數人用它的方式太淺了。錨定效應、處置效應、過度反應，這些概念被引用得很多，但真正把它們轉化成可測試假設的人並不多。
以處置效應為例。投資人傾向於過早賣出獲利部位、過晚認賠虧損部位，這個行為偏誤在學術文獻裡有大量記錄。但如果你只是把它做成一個「持有虧損股票的散戶比例」因子，然後跑個回測，這還不夠深。你可以再深一層的是：
- 這個行為偏誤在什麼市場條件下會被放大？
- 在什麼情況下會被機構的反向操作抵消？
- 它的持續時間是多久，為什麼是這個時間長度？
這些問題的答案，決定了你的因子設計。如果處置效應主要來自散戶，那麼在散戶參與度低的市場或時段，這個因子的表現應該會下降。這是一個可以測試的假設，不是一個簡單的事後解釋。
制度摩擦：有機制的因子來源
制度摩擦是另一個被低估的因子來源。很多定價錯誤的存在，是因為他們受到制度約束，無法做出最優決策。基金的季末窗飾（Window Dressing）是一個老例子，但它背後的邏輯，基金經理的激勵結構與市場定價之間的錯位，在很多地方都有類似的表現形式。例如：
- 保險公司的資產配置限制
- 指數成分股調整前後的被動資金流動
- 融資融券的強制平倉機制
這些都是制度摩擦製造出來的可預測行為。
這類因子有一個特點：它們的存在有明確的機制支撐，但同時也有明確的失效條件。一旦市場參與者普遍意識到這個模式，或者制度本身發生改變，因子就會衰減。這不是壞事，反而是好事，因為你知道它為什麼會失效，你可以監控相關指標，在因子開始衰減之前就調整倉位，不是等到 Drawdown 已經很深才反應。
與暴力挖掘的本質差異
這和暴力挖掘出來的因子有本質差異。統計挖掘出來的因子在失效的時候，你通常不知道為什麼，也不知道它是暫時的還是永久的。有邏輯支撐的因子失效，你至少知道去哪裡找答案。（不是否定暴力挖掘，我認為是可以互補的，且LLM也能挖掘出有邏輯的因子，但在於夠不夠深度）
因子容量估算：被忽略的關鍵
實戰層面，我認為最被忽略的一個環節是因子的容量估算。一個在小樣本上 Sharpe很高的因子，當你把資金規模放大，或者市場上有更多人在做同樣的事情，它的表現會怎麼變？這個問題在因子設計階段就應該想清楚。
有邏輯支撐的因子在這裡也有優勢。如果你理解因子的來源是某類特定的市場參與者行為，你可以大致估算這個行為所涉及的資金規模，從而推算因子的理論容量上限。不是精確計算，但給了你一個思考框架，比純粹依賴回測數據要可靠得多。
量化領域的分裂
我的觀察是，量化交易這個領域現在有一個奇怪的分裂。一邊是越來越複雜的模型和越來越多的算力，另一邊是越來越快的因子衰減和越來越擁擠的策略空間。這兩件事不是巧合，它們是同一個問題的兩面。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文