3、因子衰减机制

因子衰减（Factor Decay）是指一个原本有效的因子，其预测能力随时间的推移逐渐减弱甚至消失的过程。理解因子衰减的成因、度量方法及其对策略收益的影响，是构建稳健量化策略的核心前提。本节从三个维度展开：衰减的成因、衰减速度的度量以及衰减对收益的冲击。

3.1 因子衰减的成因

因子衰减并非单一原因导致，而是市场微观结构、参与者行为与建模缺陷共同作用的结果。主要成因可归纳为以下三类：

3.2 衰减速度的度量

量化衰减速度是预警因子失效的关键。业界常用以下两种指标：

3.2.1 半衰期（Half-Life）

半衰期指因子IC绝对值衰减到初始值一半所需的时间（通常以月或交易日为单位）。半衰期越短，因子失效越快。

• 计算方式： 对因子IC序列拟合指数衰减模型 IC(t) = IC₀ × exp(-λt)，半衰期 t₁/₂ = ln(2) / λ。
• 经验阈值： 半衰期 < 3个月 → 高衰减风险；3~12个月 → 中等衰减；> 12个月 → 相对稳健。

3.2.2 衰减率（Decay Rate）

衰减率直接度量单位时间内IC的下降幅度，通常用滚动窗口（如12个月）的IC均值变化率表示。

• 计算方式： 衰减率 = (IC_t - IC_{t-1}) / IC_{t-1}，或使用线性回归斜率。
• 应用场景： 衰减率对短期突变更敏感，适合作为实时预警信号。

import numpy as np
import pandas as pd

# 模拟因子IC序列（月度）
np.random.seed(42)
months = 36
ic_series = 0.15 * np.exp(-0.08 * np.arange(months)) + np.random.normal(0, 0.02, months)

# 计算半衰期（拟合指数衰减）
from scipy.optimize import curve_fit
def exp_decay(t, ic0, lam):
    return ic0 * np.exp(-lam * t)

params, _ = curve_fit(exp_decay, np.arange(months), ic_series, p0=[0.15, 0.1])
half_life = np.log(2) / params[1]
print(f"半衰期: {half_life:.2f} 个月")

# 计算滚动12个月衰减率
ic_df = pd.Series(ic_series, name='IC')
decay_rate = ic_df.rolling(12).apply(lambda x: (x.iloc[-1] - x.iloc[0]) / x.iloc[0])
print(f"最近一个月衰减率: {decay_rate.iloc[-1]:.4f}")

3.3 衰减对策略收益的影响

因子衰减直接侵蚀策略的收益来源，其影响路径可通过以下SVG流程图清晰展示：

从影响路径可以看出，因子衰减最终会导致策略的超额收益下降和风险调整后收益（夏普比率）降低。具体影响程度取决于衰减速度与策略的调仓频率：

• 高频策略（日频调仓）： 对衰减更敏感，半衰期低于1个月即可能产生显著亏损。
• 低频策略（月频调仓）： 对缓慢衰减有一定容忍度，但需警惕“温水煮青蛙”式的IC持续下滑。
• 多因子组合： 单一因子衰减可通过其他因子对冲，但系统性衰减（如市场风格切换）会导致组合整体失效。

3.4 衰减机制总结

因子衰减是量化策略生命周期中的必然现象，但通过系统化的成因分析与速度度量，可以提前预警并采取应对措施。下表总结了不同成因下的典型衰减模式与应对思路：