4. 多因子合成：等权合成、市值加权合成、IC加权合成、动态权重合成

多因子合成是将多个单因子信号合并为一个综合因子得分的过程。不同的合成方法决定了因子对最终选股结果的影响力分布。本章介绍四种主流合成方法：等权合成、市值加权合成、IC加权合成与动态权重合成，并分析各自的适用场景与潜在风险。

4.1 合成方法对比总览

4.2 等权合成

等权合成是最简单、最稳健的多因子合成方法。每个因子在最终得分中占有相同的权重，公式为：

Score = (1/N) * Σ Z_Score_i

其中 N 为因子数量，Z_Score_i 为第 i 个因子的标准化得分。等权合成的优势在于：

• 无参数依赖：不需要历史数据估计权重，完全避免权重过拟合。
• 分散化效果：每个因子对最终排名的贡献均等，降低单一因子失效的冲击。
• 可复现性高：不同研究者在同一因子池上得到相同结果。

4.3 市值加权合成

市值加权合成根据股票的市值大小分配因子权重，通常用于构建大盘或小盘风格增强的组合。权重公式为：

Score_i = Σ (w_j * Z_Score_ij)
w_j = MarketCap_j / Σ MarketCap

市值加权合成的核心逻辑是：市值越大的股票，在因子得分中的影响力越大。这种方法在以下场景中有效：

• 流动性约束：大市值股票交易成本低，适合大资金实盘。
• 指数跟踪：需要与基准指数（如沪深300）的市值分布保持一致。
• 风格暴露控制：主动控制组合的市值风格偏移。

但市值加权合成会天然偏向大盘股，可能掩盖小市值股票中的强因子信号。

4.4 IC加权合成

IC（Information Coefficient）加权合成使用因子在过去一段时间内的IC值作为权重。IC值衡量因子对下期收益的预测能力，权重公式为：

w_i = IC_i / Σ |IC_i|
Score = Σ (w_i * Z_Score_i)

其中 IC_i 为第 i 个因子在滚动窗口（如过去12个月）内的平均IC或IR（IC/标准差）。IC加权合成的关键参数包括：

4.5 动态权重合成

动态权重合成通过时变模型（如滚动回归、卡尔曼滤波、机器学习模型）实时调整因子权重。其核心思想是：因子的预测能力随时间变化，权重应随之自适应调整。典型实现步骤为：

1. 状态估计：在每个调仓日，使用最近N期的因子收益数据估计因子当前的有效性。
2. 权重优化：基于估计结果，通过最大化预期IC或最小化风险预算来求解最优权重。
3. 约束施加：加入权重上下限、换手率约束、风格暴露限制等，防止权重剧烈跳跃。
4. 滚动更新：每次调仓重复上述步骤，形成动态权重序列。

动态权重合成的优势在于能快速适应市场风格切换，但代价是：

• 高过拟合风险：模型可能过度拟合近期噪声，导致权重在样本外失效。
• 高换手率：权重频繁变化会增加交易成本。
• 黑箱问题：权重变化缺乏直观解释，难以进行归因分析。

4.6 合成方法选择流程

下图展示了从因子池到最终合成得分的决策流程，帮助你在不同阶段选择最合适的合成方法。

4.7 合成方法的过拟合检测要点

在实盘部署前，必须对合成方法进行过拟合检测。以下是针对不同合成方法的检测重点：

4.8 实践案例：从等权到动态权重的演进路径

以下是一个典型的因子合成演进路径，展示了如何从简单模型逐步过渡到复杂模型，同时控制过拟合风险：

1. 阶段一（基准建立）：使用等权合成构建初始因子组合，记录夏普比率、最大回撤、IC均值等基准指标。
2. 阶段二（IC加权尝试）：在等权组合表现稳定的基础上，引入IC加权合成，使用12个月滚动窗口。比较IC加权组合与等权组合的绩效差异。
3. 阶段三（动态权重探索）：若IC加权组合在样本外持续优于等权组合，且IC序列具有可预测性，则尝试动态权重合成。使用滚动交叉验证评估权重稳定性。
4. 阶段四（过拟合检验）：对动态权重组合进行置换检验和组合对称性检验，确保权重变化不是对噪声的过拟合。

每个阶段至少运行6个月的样本外回测，只有通过上一阶段的检验才能进入下一阶段。这种渐进式方法可以有效避免在合成环节引入过拟合。