3. 因子漂移概念

3.1 漂移的定义

因子漂移（Factor Drift）是指一个量化因子在时间序列上的统计特征（均值、方差、自相关、因子载荷等）发生不可逆或持续性变化的现象。与随机波动不同，漂移意味着因子的生成机制发生了结构性改变，导致历史回测结论对未来失效。

3.2 漂移的成因

因子漂移并非随机噪声，而是由市场底层生态变化驱动的系统性现象。理解成因是构建预警模型的前提。三大核心驱动力如下：

3.2.1 市场结构变化

• 交易机制变革： 做市商制度、T+0 与 T+1 切换、涨跌停板调整等规则变化会直接改变因子微观结构。例如 A 股 2016 年熔断机制短暂实施期间，低波动因子出现极端漂移。
• 投资者结构迁移： 机构化进程加速时，散户主导的规模因子有效性下降，机构偏好的质量因子载荷上升。A 股 2017-2020 年外资持续流入期间，ROE 因子 t 值从 1.2 升至 4.8。
• 市场微观结构退化： 流动性分层、买卖价差扩大、订单簿深度下降等会引发因子方差漂移，尤其对高频因子冲击显著。

3.2.2 投资者行为

行为金融学研究表明，当因子被广泛认知并纳入策略后，套利空间会自然衰减——这就是著名的"因子衰减效应"。一个因子从发现到拥挤再到失效，通常经历 3-5 年生命周期。

3.2.3 政策影响

• 货币政策转向： 利率周期切换直接影响估值因子和成长因子的相对表现。加息周期中，低估值因子通常获得正漂移；降息周期则利好成长因子。
• 行业监管政策： 反垄断、集采、环保限产等政策会改变行业因子载荷。例如 2021 年教育"双减"政策后，教育行业因子载荷在一周内归零。
• 税收与交易成本政策： 印花税调整、资本利得税变化会改变因子收益结构。A 股 2008 年印花税单边征收后，高频反转因子方差骤降 60%。

3.3 漂移的量化识别框架

在实际工程中，我们通过以下指标组合来量化识别漂移是否发生：

# 漂移检测伪代码逻辑
def detect_drift(factor_series, window=60, threshold=2.0):
    rolling_mean = factor_series.rolling(window).mean()
    rolling_std  = factor_series.rolling(window).std()
    z_score = (factor_series - rolling_mean) / rolling_std

    # 连续3期z_score绝对值超过阈值
    drift_flag = (z_score.abs() > threshold).rolling(3).sum() >= 3
    return drift_flag