3. 分层试验原理

分层试验（Grouping / Binning Test）是量化因子评价中最直观的截面验证手段。其核心思想是：在每一个截面上，将全部股票按因子值排序并划分为若干组，然后观察各组在未来一段持有期内的平均收益表现。如果因子具备预测能力，那么各组收益应当呈现单调递增或递减的规律。

3.1 分层试验的目的

分层试验主要回答以下三个问题：

• 单调性检验：因子值的高低是否对应着未来收益的高低？理想情况下，第1组（最小因子值）到第N组（最大因子值）的收益应严格单调。
• 区分度评估：相邻两组之间的收益差距是否显著？差距越大，因子对股票的区分能力越强。
• 极端组表现：多头组（最高因子值）与空头组（最低因子值）的收益差（多空收益差）是否稳定且显著？这是因子选股能力的直接体现。

3.2 分层方法

常见的分层方法有两种：等分法和分位数法。两者的核心区别在于分组边界的确定方式。

3.3 分层与IC的关系

Rank IC（秩相关系数）与分层试验是同一枚硬币的两面：

• IC是连续视角：Rank IC衡量因子值与未来收益在整个截面上的秩相关性，是一个连续的统计量。
• 分层是离散视角：分层试验将因子值离散化为若干组，通过组间收益差异来验证IC的单调性。

两者之间存在以下对应关系：

3.4 分层试验的Python实现框架

以下是一个标准的分层试验代码框架，使用等分5组为例：

import pandas as pd
import numpy as np

def factor_grouping(factor_series, n_groups=5, method='equal'):
    """
    对因子值进行分层分组
    
    Parameters:
    -----------
    factor_series : pd.Series
        截面因子值，index为股票代码
    n_groups : int
        分组数量
    method : str
        'equal' 等分法, 'quantile' 分位数法
    
    Returns:
    --------
    pd.Series : 分组标签，从0到n_groups-1
    """
    if method == 'equal':
        # 等分法：按排序位置平均分组
        ranks = factor_series.rank(method='first')
        groups = pd.qcut(ranks, q=n_groups, labels=range(n_groups))
    elif method == 'quantile':
        # 分位数法：按因子值分位数分组
        groups = pd.qcut(factor_series, q=n_groups, labels=range(n_groups))
    else:
        raise ValueError("method must be 'equal' or 'quantile'")
    
    return groups.astype(int)

# 示例：对某截面因子进行分层
factor_values = pd.Series(np.random.randn(1000))
group_labels = factor_grouping(factor_values, n_groups=5, method='equal')
print(group_labels.value_counts().sort_index())

3.5 分层试验的评估指标

完成分层后，通常计算以下指标来量化分层效果：

• 组内平均收益：每组内所有股票在持有期内的等权平均收益。
• 多空收益差：最高组平均收益减去最低组平均收益。
• 单调性得分：各组平均收益与组编号的Spearman秩相关系数，越接近1或-1越好。
• 组间收益差t统计量：相邻两组收益差异的显著性检验。