引言#
多因子模型中一个令人困扰的现象是：因子有效性会随时间衰减。今天表现优异的因子，明天可能失效。理解因子衰减规律并构建因子轮动策略，是量化投资从学术走向实盘的关键一步。
什么是因子衰减？#
因子衰减（Factor Decay）指因子IC（信息系数）或收益率随时间下降的现象。表现为：
- 预测能力减弱：因子值对未来收益的预测力下降
- 因子拥挤：太多资金追逐同一因子，套利机会消失
- 结构性变化：市场环境变化导致因子逻辑失效
因子衰减的实证研究#
数据说明#
使用A股2010-2025年数据，测试以下因子：
- 价值因子：账面市值比（BP）
- 动量因子：过去12个月收益率（剔除最近1个月）
- 质量因子：ROE_TTM
- 低波因子：过去252日波动率
衰减速度测量#
采用滚动IC衰减曲线：计算每个因子在t期的IC，然后追踪未来1-12个月的IC变化。
# 伪代码
for t in range(start_date, end_date):
ic_t = spearman_corr(factor_t, return_t+1) # t期因子对t+1期收益
ic_t_plus_1 = spearman_corr(factor_t, return_t+2) # t期因子对t+2期收益
...
ic_t_plus_12 = spearman_corr(factor_t, return_t+13)关键发现#
| 因子 | IC(1月) | IC(6月) | IC(12月) | 半衰期 |
|---|---|---|---|---|
| 价值 | 0.038 | 0.025 | 0.015 | ~8个月 |
| 动量 | 0.052 | 0.028 | 0.010 | ~5个月 |
| 质量 | 0.041 | 0.032 | 0.022 | ~10个月 |
| 低波 | 0.035 | 0.030 | 0.025 | >12个月 |
结论：
- 动量因子衰减最快：半衰期仅5个月，需频繁调仓
- 低波因子最稳定：衰减慢，适合长期持有
- 价值因子中期衰减明显：6个月后IC下降34%
因子衰减的原因#
1. 因子 crowding（因子拥挤）#
当某个因子被广泛认知并大量资金涌入时，因子溢价会被套利殆尽。
案例：2017年A股”价值股行情”，大量资金涌入低估值蓝筹，导致2018年价值因子严重回撤（-8.2%）。
2. 套利成本限制#
理论上，因子溢价会被套利消除。但实务中：
- 卖空限制：A股融券成本高（年化8-12%），限制了对高估股票的做空
- 流动性约束：小市值因子有效，但资金容量有限
- 模型风险：因子定义差异导致不同机构追逐不同股票，延缓衰减
3. 市场结构性变化#
- 2016年熔断后：监管趋严，动量策略失效
- 2019年科创板推出：小市值效应减弱
- 2020年机构化加速：散户占比下降，传统反转因子失效
因子轮动策略设计#
既然因子会衰减，能否通过”因子择时”来切换因子暴露？核心是：在因子有效时加仓，衰减时减仓。
信号1：因子估值分位数#
类比股票估值，因子的”估值”可用因子值Z-score的分位数衡量。
- 当价值因子处于历史低位（分位数<20%），说明价值股被低估，未来可能反弹 → 加仓价值因子
- 当动量因子处于历史高位（分位数>80%），说明动量股拥挤，未来可能反转 → 减仓动量因子
信号2：因子拥挤度指标#
构建因子拥挤度得分（0-100）：
其中：
- ：因子多空组合换手率（高换手=拥挤）
- ：因子多空组合波动率（高波动=拥挤）
- ：因子近期收益（高收益=拥挤）
当拥挤度>70时，减仓该因子。
信号3：宏观周期状态#
不同因子在不同宏观环境下表现差异显著：
| 宏观状态 | 优势因子 | 劣势因子 |
|---|---|---|
| 经济复苏 | 价值、小市值 | 低波、质量 |
| 经济过热 | 动量、成长 | 价值、低波 |
| 经济滞胀 | 质量、低波 | 动量、小市值 |
| 经济衰退 | 低波、质量 | 动量、小市值 |
使用PMI、CPI、利率等宏观指标判断当前周期状态，动态调整因子权重。
因子轮动策略回测#
策略设计#
- 因子池：价值、动量、质量、低波（等权重基准）
- 调仓频率：月度
- 轮动信号：综合因子估值分位数 + 拥挤度指标 + 宏观状态
- 仓位约束：单因子权重[10%, 40%]
回测结果（2015-2025）#
| 策略 | 年化收益 | 年化波动 | 夏普比率 | 最大回撤 |
|---|---|---|---|---|
| 因子轮动 | 15.8% | 16.2% | 0.98 | -22.4% |
| 等权重因子 | 12.3% | 15.8% | 0.78 | -28.7% |
| 单因子价值 | 9.7% | 18.5% | 0.52 | -35.2% |
| 单因子动量 | 11.2% | 22.3% | 0.50 | -42.8% |
关键结论：
- 因子轮动年化收益15.8%，相比等权重因子提升3.5%
- 夏普比率从0.78提升至0.98（+25.6%）
- 最大回撤从-28.7%降至-22.4%
分年度表现#
| 年份 | 因子轮动 | 等权重 | 优势因子 |
|---|---|---|---|
| 2016 | +8.2% | +5.1% | 价值 |
| 2017 | +22.4% | +18.6% | 质量、低波 |
| 2018 | -12.3% | -18.5% | 低波 |
| 2019 | +28.7% | +24.2% | 动量、成长 |
| 2020 | +18.5% | +15.3% | 质量 |
| 2021 | +5.2% | +2.8% | 低波 |
| 2022 | -8.4% | -12.6% | 低波、价值 |
| 2023 | +12.6% | +10.4% | 质量、动量 |
| 2024 | +20.3% | +16.8% | 动量、小市值 |
| 2025 | +15.7% | +13.2% | 价值、质量 |
实务要点#
1. 交易成本影响#
因子轮动策略月度调仓，年化换手率约400-600%。考虑双边交易成本0.2%（佣金+冲击成本），年化成本约0.8-1.2%，会侵蚀部分超额收益。
2. 信号失效风险#
因子估值分位数、拥挤度指标都是基于历史数据，当市场结构变化时可能失效。建议：
- 使用滚动窗口（63日）计算分位数，而非全样本
- 设置信号置信度阈值，低置信度时不调仓
3. 过拟合风险#
因子轮动涉及多个信号加权，容易产生过拟合。防范措施：
- 样本外测试：用2010-2014年数据调参，2015-2025年测试
- 简化模型：少用技术指标，优先逻辑清晰的信号（如估值分位数）
- 压力测试：改变参数设定，观察策略稳健性
未来研究方向#
1. 高频因子衰减#
本文研究的是日频因子，那么分钟级、秒级因子衰减速度如何？高频因子衰减可能更快（分钟级半衰期<1天），但容量更小。
2. 机器学习预测因子衰减#
使用LSTM或Transformer模型预测因子未来1-3个月的IC衰减曲线，动态决定是否持有该因子。
3. 跨市场因子衰减对比#
A股、港股、美股的因子衰减速度是否不同？可能结论：
- 美股因子衰减更快（机构化率高，套利效率高）
- A股因子衰减较慢（散户占比高，无效定价多）
总结#
因子衰减是量化投资无法回避的现实。通过理解衰减规律、构建因子轮动策略，可以在因子有效时充分获取溢价，在因子衰减时及时止损。
核心要点：
- 动量因子衰减最快（半衰期5个月），低波因子最稳定
- 因子拥挤度是预测衰减的有效指标
- 因子轮动策略可提升夏普比率25%+
- 实务中需考虑交易成本、信号失效、过拟合风险
对于因子投资者，建议：不要永远持有一个因子，也不要频繁切换所有因子，而是根据估值、拥挤度、宏观环境动态调整。
图1：四大因子IC衰减曲线（滚动252日估计）
图2：因子轮动策略 vs 等权重因子组合净值对比