高频因子的日内衰减与统计显著性：开盘最强、午后失灵，多重检验会坑你 • halo 的技术博客

很多日内策略研究员都有过这种体验：回测里因子「看起来很能打」，实盘却一上就软。问题往往出在两个被忽视的维度——因子的预测力在一天之内是衰减的，以及你用来证明它显著的统计检验，本身就被多重比较污染了。

本文用一套可复现的模拟，把这两件事讲清楚。

一、日内因子为什么会「过期」#

一个典型的高频 / 日内因子（如开盘前 30 分钟的订单流不平衡、隔夜跳空反转）预测的是随后一段时间的收益。它的信息来源有三道衰减机制：

信息被快速套利：一旦信号被足够多的参与者看到并执行，超额收益就被抹平。
微观结构噪声累积：越靠近收盘，买卖价差、收盘集合竞价的扰动越大，信号信噪比下降。
样本截面异质性漂移：不同时段参与交易的资金性质不同（开盘机构、午间散户、尾盘调仓），因子生效的子群体在变。

合起来的结果：因子在开盘前后 IC 最高，午后显著下滑。我们用模拟把这条曲线画出来。

二、模拟一个日内衰减因子#

设定 12 个半小时时段（09:30 → 16:00），真实 IC 随时段指数衰减：IC(b) = IC0 · exp(−b/τ)，其中 IC0=0.075、τ=4.5。每个 (交易日, 时段) 取 600 只股票的横截面，由信号与噪声合成收益，再用 250 个交易日平均得到稳健的时段 IC 估计。

import numpy as np
from scipy.optimize import curve_fit
from scipy import stats

rng = np.random.default_rng(20260711)
B, N, D_days = 12, 600, 250
IC0, tau = 0.075, 4.5
true_ic = IC0 * np.exp(-np.arange(B) / tau)

ic = np.zeros((D_days, B))
for d in range(D_days):
    for b in range(B):
        z = rng.normal(0, 1, N)
        rho = true_ic[b]
        r = rho * z + np.sqrt(max(1e-6, 1 - rho*rho)) * rng.normal(0, 1, N)
        ic[d, b] = np.corrcoef(z, r)[0, 1]      # 该日的横截面 IC

mean_ic = ic.mean(0)
se_ic   = ic.std(0) / np.sqrt(D_days)           # 标准误
tstat   = mean_ic / se_ic

python

跑出来的平均 IC 从开盘的 7.5% 一路滑到午后的 0.5%~0.6%——衰减不是线性的，而是指数式的：

高频因子日内衰减：开盘 IC 最强，午后显著下滑

误差棒（±1.96 SE）显示：早盘几个时段的 IC 远高于 0，而午后已基本落入噪声区间。

三、拟合半衰期：信号能「撑」几个时段#

把衰减曲线用指数拟合，半衰期 τ·ln2 直接告诉你因子的「有效期」：

def exp_decay(b, a, t):
    return a * np.exp(-b / t)

popt, _ = curve_fit(exp_decay, np.arange(B), mean_ic, p0=[IC0, tau], maxfev=20000)
half_life = popt[1] * np.log(2)

python

日内 IC 衰减的指数拟合：半衰期约为 3 个时段

拟合得到半衰期约 3 个时段（约 1.5 小时）。这意味着：如果你在开盘算出因子、打算持有到尾盘，实际吃到的是一段被严重稀释的暴露——因子该在衰减掉一半之前就平仓或再平衡。这是高频因子和日频因子在持仓周期设计上最根本的差异。

四、统计显著性：t 统计量而非「看起来大于 0」#

「IC 是正的」不等于「显著大于 0」。正确的判据是 t 统计量 t = 均值IC / 标准误，在正态近似下与 0 的偏离是否超过临界值。单检验 95% 临界值 |t| ≈ 1.96；但由于你看了 12 个时段，应当用 Bonferroni 校正：|t| > Φ⁻¹(1 − 0.05/2B) ≈ 2.87。

t95    = stats.norm.ppf(0.975)            # 1.96
t_bonf = stats.norm.ppf(1 - 0.05 / (2*B)) # 2.87

python

各时段 t 统计量：午后时段 IC 不再显著（仅早段通过 Bonferroni）

图上绿柱是通过 Bonferroni 的时段——基本集中在开盘前 4 个时段。午后那些「IC 还是正的」时段，t 统计量早已跌破阈值，纯粹是噪声。一个只报告「因子 IC 为正」的研究，等于把噪声当信号。

实务提示：横截面 IC 在有限样本下并非严格正态，更稳健的做法是用 Newey-West 调整标准误（处理时序相关）或 bootstrap（对交易日重采样）得到经验 p 值，结论方向不变但更抗造。

五、多重检验陷阱：挑「最好时段」报告必然翻车#

最隐蔽的坑在这里：研究员往往扫完 12 个时段，挑 IC 最高的那个写进报告。但即使因子完全无效（真实 IC=0），扫 12 遍也大概率能撞出一个「显著的」时段。我们模拟 200 个纯噪声零因子，看它们「最优时段」的 |t| 分布：

K = 200
best_t = np.zeros(K)
for k in range(K):
    z = rng.normal(0, 1, (D_days, N))
    r = rng.normal(0, 1, (D_days, N))          # 纯噪声，真实 IC = 0
    ic_k = np.array([np.corrcoef(z[d], r[d])[0, 1] for d in range(D_days)])
    se = ic_k.std() / np.sqrt(D_days)
    best_t[k] = abs(ic_k.mean() / se)           # 报告「最强时段」

python

多重检验陷阱：大量零因子误过单检验，仅少数过 Bonferroni

结果：200 个零因子里 16 个（8%）越过了单检验 95% 线，但只有 2 个（1%）越过 Bonferroni 线。换句话说，如果你不校正，每 12 个因子就会「凭空」冒出 1 个假显著——这正是文献里「因子动物园」泛滥的根源。落地时至少要做三选一：

Bonferroni / Holm 步进法：保守但简单；
去膨胀夏普比率（Deflated Sharpe Ratio）：用最大回撤与检验次数同时校正；
样本外 / Walk-forward：把「最好时段」放到没参与选型的样本里再验一次。

边界声明#

模拟不等于实盘：本文用合成数据演示机制，真实日内因子的衰减形状取决于该因子的信息源（订单流、舆情、隔夜跳空各异），务必用你自己的数据重画这张图。
时段边界有前视风险：用「收盘收益」做某时段的标签时，必须确保因子只用该时刻之前的信息，否则午后 IC 会被偷偷高估。
截面幸存者偏差：模拟里股票数固定，实盘中退市的票会让早段 IC 偏高，需做幸存者中性处理。
半衰期是点估计：用一个指数拟合得到的 τ 有估计误差，实战应给半衰期一个置信区间，而不是当成精确刻度。
显著性 ≠ 经济显著：即使午后 IC 在统计上「显著」，其量级可能小到被交易成本吃掉，仍需结合换手与手续费做净收益判断。

把「日内衰减曲线 + 半衰期 + 多重检验校正」三件套钉进你的因子评审流程，你筛掉的将不是「不显著的因子」，而是「看起来显著其实只是被多次比较挑中的噪声」。