4. IC衰减概念：什么是IC衰减、衰减的数学表达、衰减与因子半衰期

4.1 什么是IC衰减

IC衰减（IC Decay）是指因子在时间序列上预测能力逐渐下降的现象。一个有效的因子在形成期（t=0）具有最高的IC值，但随着持有期的延长，因子对未来收益的预测能力会逐步减弱，最终趋近于零甚至反转。

IC衰减是因子失效的自然表现，也是量化策略必须面对的核心风险之一。理解IC衰减的形态和速率，是设定预警阈值、动态调整因子权重的关键前提。

4.2 衰减的数学表达

IC衰减通常用以下两种数学形式描述：

4.2.1 指数衰减模型

最常用的IC衰减模型是指数衰减形式，假设IC值随时间呈指数下降：

IC(t) = IC₀ × exp(-λ × t)

其中：

• IC(t)：持有t期后的IC值
• IC₀：初始IC值（t=0时的截面IC）
• λ：衰减速率参数（λ > 0）
• t：持有期（通常以月或交易日为单位）

4.2.2 线性衰减模型

在某些场景下，IC衰减近似线性：

IC(t) = IC₀ - β × t

其中 β 为线性衰减斜率，表示每期IC下降的绝对值。

4.3 衰减与因子半衰期

因子半衰期（Half-Life） 是衡量IC衰减速度最直观的指标，定义为IC值衰减到初始值一半所需的时间。

4.3.1 半衰期的数学推导

对于指数衰减模型：

IC(t₁/₂) = IC₀ / 2
IC₀ × exp(-λ × t₁/₂) = IC₀ / 2
exp(-λ × t₁/₂) = 1/2
-λ × t₁/₂ = ln(1/2)
t₁/₂ = ln(2) / λ ≈ 0.693 / λ

对于线性衰减模型：

IC₀ - β × t₁/₂ = IC₀ / 2
t₁/₂ = IC₀ / (2β)

4.3.2 半衰期的实际含义

• 短半衰期（1-3个月）：因子预测能力快速衰减，适合短线交易或高频调仓策略，需要频繁更新因子信号。
• 中半衰期（3-6个月）：因子具有中等持续性，适合月度或季度调仓策略，是大多数基本面因子的典型区间。
• 长半衰期（6个月以上）：因子具有长期预测能力，适合低频配置型策略，但需警惕因子拥挤和结构性变化。

4.4 衰减速率的实际估算方法

在实际量化研究中，我们通常使用以下步骤估算因子的IC衰减速率和半衰期：

1. 计算滚动IC序列：对每个因子，计算其在形成期后第1期、第2期……第N期的截面IC值。
2. 拟合衰减曲线：使用最小二乘法或MLE对IC序列进行指数/线性拟合，得到衰减参数λ或β。
3. 计算半衰期：根据拟合参数代入半衰期公式，得到t₁/₂。
4. 滚动更新：使用滚动窗口（如36个月）定期重新计算，监测衰减速率的变化趋势。

import numpy as np
from scipy.optimize import curve_fit

# 指数衰减模型
def exp_decay(t, ic0, lam):
    return ic0 * np.exp(-lam * t)

# 假设IC序列：t=0,1,2,...,12个月的IC值
t = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
ic_values = np.array([0.10, 0.085, 0.072, 0.061, 0.052, 
                      0.044, 0.038, 0.032, 0.027, 0.023, 
                      0.020, 0.017, 0.014])

# 拟合参数
params, _ = curve_fit(exp_decay, t, ic_values, p0=[0.1, 0.1])
ic0_fit, lam_fit = params

# 计算半衰期
half_life = np.log(2) / lam_fit

print(f"拟合初始IC: {ic0_fit:.4f}")
print(f"衰减速率λ: {lam_fit:.4f}")
print(f"因子半衰期: {half_life:.2f} 个月")

4.5 衰减速率与策略调仓频率的匹配

因子的半衰期直接决定了策略的最优调仓频率。两者之间的匹配关系如下：

4.6 衰减预警的实践意义

IC衰减分析在量化投资中有三个核心应用：

• 因子失效预警：当半衰期显著缩短（如从6个月降至2个月），提示因子可能面临结构性失效，需要提前降低权重或寻找替代因子。
• 策略调仓优化：根据半衰期动态调整调仓频率，在因子有效期内最大化收益，在衰减加速时减少交易频率以控制成本。
• 多因子组合权重：半衰期较长的因子应获得更高权重，半衰期较短的因子应降低权重或仅用于短期信号增强。