4. 多变量组合衍生：加减乘除组合、比率构建、差分与变化率

单变量衍生只能捕捉个体特征，而多变量组合衍生通过变量间的代数运算，揭示资产间的相对强弱、价差结构、动量加速度与风险调整后的收益特征。本节将系统讲解加减乘除组合、比率构建以及差分与变化率三大类方法，并给出实战中的避坑指南。

4.1 加减乘除组合：基础代数运算的因子含义

四则运算是最直观的组合方式，但不同运算对应不同的市场行为假设：

4.2 比率构建：标准化与相对价值度量

比率是量化金融中最常用的组合衍生方式，其核心价值在于消除规模效应，使不同量纲的资产具有可比性。常见的比率构建分为三类：

• 财务比率：PE（市值/净利润）、PB（市值/净资产）、ROE（净利润/股东权益）、Debt/Equity（负债/权益）。这些因子直接反映公司基本面的相对估值与盈利能力。
• 市场比率：换手率（成交量/流通股本）、Amihud非流动性指标（日收益率绝对值/日成交额）、相对强弱指标RSI（平均上涨幅度/平均下跌幅度）。
• 风险调整比率：夏普比率（超额收益/波动率）、信息比率（主动收益/跟踪误差）、Calmar比率（年化收益/最大回撤）。

# Python 示例：构建风险调整后的动量因子
import pandas as pd
import numpy as np

def build_risk_adjusted_momentum(returns, window=21):
    """
    构建夏普比率类动量因子：过去 window 天的平均收益 / 收益波动率
    """
    mean_ret = returns.rolling(window).mean()
    std_ret = returns.rolling(window).std()
    # 避免除零：波动率极小值替换
    std_ret = std_ret.replace(0, np.nan)
    sharpe_momentum = mean_ret / std_ret
    return sharpe_momentum

# 示例数据
dates = pd.date_range('2023-01-01', periods=500, freq='D')
returns = pd.Series(np.random.randn(500) * 0.02, index=dates)
factor = build_risk_adjusted_momentum(returns)
print(factor.tail())

4.3 差分与变化率：捕捉动态趋势与加速度

差分和变化率用于从时间序列中提取动态信息，是动量、反转和趋势因子的基础。根据金融数据的特点，通常分为以下三种形式：

更高级的衍生包括 二阶差分（变化率的变化率，即加速度）和 多期差分（如 5 日、20 日变化率），用于捕捉趋势的拐点和持续性。

# Python 示例：多周期变化率与加速度因子
def multi_period_roc(series, periods=[5, 10, 20]):
    """生成多周期变化率因子"""
    roc_dict = {}
    for p in periods:
        roc_dict[f'roc_{p}d'] = series.pct_change(periods=p)
    return pd.DataFrame(roc_dict)

def acceleration(series, short=5, long=20):
    """加速度 = 短期变化率 - 长期变化率（类似MACD思想）"""
    roc_short = series.pct_change(short)
    roc_long = series.pct_change(long)
    return roc_short - roc_long

# 示例：使用收盘价序列
price = pd.Series(np.cumprod(1 + np.random.randn(200) * 0.01) * 100, 
                  index=pd.date_range('2023-01-01', periods=200))
roc_features = multi_period_roc(price, periods=[5, 20, 60])
accel = acceleration(price, short=5, long=20)
print(roc_features.head())
print(accel.head())

4.4 实战案例：多变量组合在选股因子中的应用

以下展示一个完整的组合衍生流程，从原始数据到最终因子：

1. 原始变量： 日收益率（ret）、日换手率（turn）、市值（mkt_cap）、账面市值比（bm）。
2. 减法组合： 短期动量 = ret_5d - ret_20d（捕捉短期反转效应）。
3. 除法组合： 流动性调整动量 = ret_20d / turn_20d（剔除流动性噪音的动量）。
4. 乘法组合： 规模-价值交互 = mkt_cap × bm（捕捉小盘价值股的协同效应）。
5. 差分组合： 换手率加速度 = turn_5d - turn_10d（识别资金流入/流出的加速信号）。

# 完整组合衍生示例
def multi_variate_combination(df):
    """
    df 需包含列：ret_5d, ret_20d, turn_5d, turn_20d, mkt_cap, bm
    返回衍生因子 DataFrame
    """
    factors = pd.DataFrame(index=df.index)
    
    # 减法：短期动量反转
    factors['momentum_reversal'] = df['ret_5d'] - df['ret_20d']
    
    # 除法：流动性调整动量
    factors['liq_adj_momentum'] = df['ret_20d'] / (df['turn_20d'] + 1e-8)
    
    # 乘法：规模-价值交互
    factors['size_value_interact'] = df['mkt_cap'] * df['bm']
    
    # 差分：换手率加速度
    factors['turn_acceleration'] = df['turn_5d'] - df['turn_10d']
    
    # 后处理：MAD截尾（3倍中位数绝对偏差）
    for col in factors.columns:
        median = factors[col].median()
        mad = (factors[col] - median).abs().median()
        upper = median + 3 * mad
        lower = median - 3 * mad
        factors[col] = factors[col].clip(lower, upper)
    
    return factors

4.5 组合衍生的常见陷阱与解决方案