量化交易中,多个因子是怎么组合在一起的?
发布时间:11小时前阅读:14
量化多因子组合科普(适合做 QMT/PTrade 策略的新手)
多因子的核心逻辑:因子就是用来预判涨跌、筛选标的的指标(比如动量、估值、波动率、资金流、量比等),把多个信号融合,减少单一因子失效的风险。
下面分 4 种主流组合方式,通俗易懂,可直接在 QMT 里用 Python 实现:
1、简单等权打分(新手最常用)
每一个因子单独给标的打分,最后分数相加 / 取平均。
举例:
因子 A(估值低)、因子 B(动量强)、因子 C(资金净流入)
- 每一个因子,把股票从高到低分成 1–10 分
- 总分 = A 分 + B 分 + C 分
- 优先买入总分靠前的标的
✅优点:逻辑简单、不容易过拟合,回测好调试
❌缺点:默认所有因子一样重要,没有区分强弱
2、加权打分(最主流)
给不同因子设置权重,再求和:
总分 = 因子 A× 权重 A + 因子 B× 权重 B + 因子 C× 权重 C
例:估值 0.4,动量 0.3,资金流 0.3,权重总和 = 1
权重来源几种方式:
- 人工经验设置(适合网格、ETF 轮动策略)
- 根据历史 IC 值(因子预测能力)分配,IC 越高权重越高
- 滚动回测优化权重(定期重新校准)
3、分层 / 过滤式组合(串行筛选,ETF、可转债策略高频用)
不是一起打分,而是一层一层过滤标的:
第一步:先用因子 1 筛掉不符合的(例如:剔除流动性差、溢价过高的 ETF)
第二步:剩下标的,再用因子 2 排序(动量排序)
第三步:最后用因子 3 做风控过滤(波动率上限)
✅适合套利、ETF 轮动,逻辑直观,风控好加,PTrade 条件单也能间接实现
4、模型非线性融合(进阶,QMT Python 实现)
前面都是线性相加,属于简单打分;进阶方式不再是加权求和:
- 逻辑回归、随机森林、XGBoost:模型自动学习因子之间的交叉关系(比如 “动量在低波动环境才有效”)
- 神经网络:适合大量因子,挖掘非线性信号
⚠️注意:很容易过拟合,回测好看实盘拉胯,个人量化慎用
补充两个实操关键点(实盘策略必看)
- 因子相关性检查
如果两个因子高度相关(比如 PE 和 PB),相当于重复押注,信息冗余,组合不会提升效果,一般会做因子正交化处理,消除重叠信号。 - 因子轮动与再平衡
因子不是永远有效,市场风格切换(价值 / 成长)时,部分因子会失效。
常规做法:按固定周期(日 / 周)重新计算分数、调仓;也可以跟踪 IC,自动降低失效因子权重。
快速选型建议
- 新手入门、ETF 轮动、网格辅助信号 → 优先【加权打分 / 分层过滤】,QMT 写几十行代码就能跑
- 想做股票多因子选股、有数据基础 → IC 加权打分
- 数据量大、会机器学习 → 树模型非线性融合
⚠️风险提示:多因子策略历史回测结果不代表未来收益,存在风格失效、滑点、交易成本侵蚀收益等风险。
如果你需要,我可以给一段QMT 上可直接运行的多因子加权打分极简 Python 示例代码!
温馨提示:投资有风险,选择需谨慎。
股票均线粘合在一起是好事吗?说明什么?



问一问
从业认证

+微信
分享该文章
