多因子选股完整流水线

综合评分只是在同一时点比较股票：分数高，表示按当前假设更值得进入候选；它不表示未来必涨，也不等于已经实现的风险调整超额收益。

完整流程可以写成：因子库 → 预处理 → 权重合成 → 分层与 Top-N 持仓 → 滚动回测 → IC/ICIR 诊断。先把数据区间、调仓频率、持有期、费用、基准和权重规则写下来，再运行实验。不能看到最终曲线后，反复改方向直到结果好看。

这里的“横截面”指同一个交易日上，不同股票之间的比较；“时间序列”指同一只股票跨日期的变化。多因子选股主要先做横截面排序，再观察排序是否对应未来收益。

示例流水线使用十个教学因子：1M、3M、6M 动量；5 日反转；20 日和 60 日低波；20 日成交额；20 日低换手；RSI14；BIAS20。

动量可以写成：

动量 = P_t ÷ P_(t−n) − 1

假设当前价格 110，21 个交易日前是 100，则 1M 动量是 110÷100−1=10%。5 日反转则取过去 5 日收益的负值。低波因子把收益波动率取负，表示希望低波动股票得分更高；RSI14 通常减去 50，让 50 附近成为中性中心；BIAS20 描述价格相对 20 日均线的偏离，方向需要事先写明。

低成交额、低换手并不天然等于更好。高成交额可能代表流动性，也可能代表拥挤；每个方向都只是经济假设，需要在训练期和验证期检验。因子字典还应记录收益定义、波动率样本口径、年化交易日数和缺失处理。

某天某因子的横截面值为 x。先求中位数 m，再求：

MAD = median(|x−m|)

例如三只股票的因子值为 1、2、10，中位数 m=2，绝对偏差为 1、0、8，所以 MAD=1。若用三倍稳健尺度，边界为：

下界/上界 = m ± 3×1.4826×MAD

代入上面的数字，边界约为 2±4.4478，也就是约 -2.4478 到 6.4478；10 会被截到上界，而不是删除整只股票。

1.4826 是把 MAD 换算到标准差量级的常用系数，不代表样本真的服从正态分布。MAD 为零、样本太少或缺失很多时，必须规定回退策略；不能为了让分布好看就随意填零。

Z-score 用来把不同单位的因子放到可比较的尺度：

z = (x−均值) ÷ 标准差

假设某日三个值为 1、2、3，均值为 2；若按总体标准差计算，标准差约为 0.816，那么 x=3 的 Z-score 约为 (3−2)÷0.816≈1.225。

Z-score 只改变中心和尺度，不会强制数据变成正态分布，也不会把结果限制在 0 到 1。成交额、比例和收益率如果未经处理直接相加，数值尺度大的项可能主导总分。标准差为零时要按预先规则处理，避免除零。

银行的低 PE 和科技公司的高 PE，可能只是行业结构差异。若目标是行业内选股，可以先在行业内标准化，再做全市场标准化，减少行业整体差异对排名的影响。

但若目标本来就是做行业配置，就不能把所有行业差异清掉。行业样本太少、分类缺失、行业分类历史变更，都要有明确规则。

所有处理只能使用决策时已经看得到的股票、因子和财务值。财务数据应按公告可得日对齐；不能用全样本拟合出的均值和标准差回填过去，否则会把未来信息带回历史。

等权就是十个已处理因子各占 1/10，优点是简单、容易解释；缺点是方向错的因子会抵消，高度重复的因子可能被重复计权。

Rank IC 是因子排序与未来持有期收益排序之间的 Spearman 秩相关。假设某期五只股票的因子排名为 1、2、3、4、5，未来收益排名也完全一致，Rank IC 接近 1；若完全相反，接近 -1。ICIR 通常写作：

ICIR = IC 序列均值 ÷ IC 序列标准差

一种示意权重是 w_j = mean(IC_j) ÷ Σ|mean(IC_j)|。假设三个因子的历史平均 IC 为 0.06、0.03、-0.01，分母为 0.10，权重就是 0.6、0.3、-0.1。分母为零时应回退等权或停止计算。

权重只能使用已经成熟的历史标签。例如 21 日收益标签，最近 21 个交易日尚未走完，就不能拿来计算今天的权重。历史窗口约六个月只是一个设定，不是保证有效；IC 加权也不保证优于等权。线性回归和机器学习可以作为扩展，但仍然要检查过拟合。

每个调仓日按综合评分分成五组，统一约定 L5 是最高 20%，L1 是最低 20%。100 只股票时每组 20 只。分别计算各组下一持有期收益，观察排序是否大致单调。

假设五层收益从 L5 到 L1 为 15%、12%、8%、2%、-2%，L5−L1 为：

15%−(-2%)=17 个百分点。

这个差值是排序诊断，不自动等于可交易的纯 Alpha。A 股做空有券源、成本和交易限制，行业、市值等暴露也可能解释差异。Top5、Top10、Top20 是集中度实验，不要和每组 20% 的五层组合混为一谈。

示例可以先取沪深 300 候选中的 80 只来缩短运行时间，读取约 400 根日 K 线；最长 126 日动量需要预热，剩余数据可能支持约一年、约 12 期 21 日调仓，但实际期数要按有效数据和标签成熟度计算。

每期流程：

1. 截止当日读取历史数据并计算十因子；
2. 做横截面处理，生成已经成熟的历史 IC 权重；
3. 合成评分，生成五层和 Top5/10/20；
4. 在预先规定的下一可交易时点成交，持有 21 个交易日；
5. 记录净值、费用、换手、缺失和无法成交，再进入下一期。

最长因子预热和“完整六个月成熟 IC”是两件事。历史不足时，要明确延后首次交易、缩短窗口或回退等权，不能用未来 IC 补齐。当前沪深 300 成分贯穿所有历史会产生幸存者或成分前视偏差，应尽量使用历史成分并披露限制。

一次 80 只候选的示例中，低流动性因子 ICIR 约 0.34 较突出，部分动量或反转因子为负；等权信号可能相互抵消，IC 加权有改善方向，但分层价差仍不一定理想。不同年化口径、日期和净值不完整时，不能直接拿示例百分比比较基准。

把候选从 80 扩大到 300 后，排名可能改变：RSI14 更突出，Top5 结果改善但回撤较大，Top20 约 13.6% 的示例接近基准。这个变化说明股票池会改变因子权重、排名和集中组合结果；不能把“越分散越好”或“Top5 一定更好”当作规律。

还可能存在样本短、数据错误、标签、权重滞后和交易成本等解释。只有跨时间、跨股票池并扣除成本后仍稳定，才值得继续研究。

可以增加 ROE、股息率、负债、盈利增长和情绪事件等特征，但先列出字段、公式、公告日期和更新频率。财务 CSV、股息率和接口字段是否完整，要以实际文件和返回结果核对；不能因为字段名称相似就混写净利润、营收、毛利率、PE 和 PS。

更稳妥的方式是把因子分成主信号、拥挤过滤和风险约束，而不是全部线性相加。每次只改变少数假设，记录实验编号，并把最后一段时间留作最终测试。因子少不等于必然有效，模型复杂也不等于必然失效。