2. 量化投资与Alpha因子基础
在进入遗传编程自动挖掘因子之前，必须先建立一套关于Alpha因子的共同语言。否则，后续的符号回归、适应度设计、因子去相关都会变成“调参玄学”。本节围绕五个问题展开：Alpha因子是什么、从哪里来、如何分类、怎样评价、在策略中承担什么角色。
一、核心原理：Alpha因子的定义与收益分解
量化策略的收益通常可以拆成两部分：与市场共同波动的部分，以及独立于市场的超额部分。用经典表述即：
R_p = α + β · R_m + ε
R_p：组合收益
R_m：基准（市场）收益
β ：组合对基准的暴露
α ：剔除基准暴露后的超额收益
ε ：残差（噪声或未解释部分）Alpha因子，就是能够对未来这段超额收益（或未来收益排序）具有稳定预测能力的变量或表达式。它可以是估值、动量、波动率等原始字段，也可以是由多个字段经过算子组合而成的表达式，例如 rank(ts_delta(close, 5) / ts_std(volume, 20))。遗传编程挖掘的目标，正是自动搜索这类表达式，而不是人工枚举。
二、Alpha因子的来源：从经济逻辑到数据挖掘
因子的来源决定了它的可解释性与衰减风险。常见来源可归纳为四类：
- 基本面来源：估值（PE、PB）、盈利质量（ROE、毛利率）、成长（营收增速）。逻辑清晰，但更新频率低、拥挤度高。
- 量价来源：动量、反转、换手率、波动率、流动性。数据频率高，适合短周期，但易受交易成本侵蚀。
- 事件与情绪来源：财报公告、分析师预期修正、新闻情感、资金流。信息增量大，但清洗与对齐难度高。
- 数据挖掘来源：由遗传编程、神经网络等在大量算子空间中自动搜索得到。覆盖广、非线性强，但必须用严格样本外检验防止过拟合。
本课程聚焦第四类，但前两类是理解因子经济含义的基础。没有逻辑约束的纯挖掘，往往得到的是噪声的精致拟合。
三、Alpha因子的分类与评价指标
按预测方向可分为正向因子与反向因子；按处理方式可分为原始因子、标准化因子、中性化因子；按周期可分为高频（分钟级）、中频（日频）、低频（周月频）。分类的意义在于：不同类别对应不同的评价方式与组合方式。
评价一个候选因子，不能只看IC均值。下表给出常用指标及其含义：
| 指标 | 含义 | 经验参考 |
|---|---|---|
| IC（信息系数） | 因子值与未来收益的横截面相关系数 | |IC| > 0.03 值得关注 |
| ICIR | IC均值 / IC标准差，衡量稳定性 | > 0.3 较稳健 |
| Rank IC | 秩相关，抗极端值 | 与IC结合看 |
| 多空收益 | 分组后多头减空头的收益差 | 需扣除成本 |
| 换手率 | 因子导致的持仓变化频率 | 越高成本越大 |
| 衰减速度 | 预测能力随持有期下降的快慢 | 决定调仓周期 |
这些指标之间存在权衡。高IC但换手极高的因子，实盘可能亏损；低IC但稳定且低换手的因子，反而更适合组合。
四、方法流程：从原始数据到可用因子
- 数据准备：对齐价格、成交量、财务字段，处理停牌与缺失。
- 因子构造：人工或遗传编程生成表达式。
- 预处理：去极值、标准化、行业与市值中性化。
- 评价：计算IC、ICIR、分组收益、换手率。
- 筛选与组合：剔除高相关因子，等权或优化权重合成。
- 回测与归因：验证样本外表现，分析收益来源。
# 因子评价伪代码
ic = cross_section_corr(factor, forward_return)
icir = ic.mean() / ic.std()
groups = quantile_group(factor, n=5)
long_short = groups[4].mean() - groups[0].mean()
turnover = position_change(factor)五、案例与场景：一个动量因子的评价
假设构造因子 mom20 = close / ts_delay(close, 20) - 1。在A股日频数据上评价，可能得到：IC均值约0.02，ICIR约0.25，多空年化约8%，但换手率极高。此时结论不是“因子无效”，而是“需要降频或叠加反转过滤”。这正是遗传编程可以发挥作用的地方：自动搜索 mom20 与波动率、换手率的组合，寻找更稳定的表达式。
六、误区与复盘
- 误区一：IC高就是好因子。未考虑换手与容量，实盘可能被成本吞噬。
- 误区二：忽略中性化。因子可能只是市值的代理，暴露了风格风险。
- 误区三：样本内过拟合。遗传编程搜索空间大，必须留出严格样本外与滚动检验。
- 误区四：因子越多越好。高相关因子堆叠不会提升信息增量，反而放大噪声。
理解Alpha因子的定义、来源、分类与评价，是后续遗传编程挖掘的“坐标系”。只有评价标准清晰，自动搜索才不会沦为盲目拟合。