关于「因子分数波动」的说明

由hxgre创建，最终由hxgre更新于2026-07-13 09:13 被浏览 8 用户

一、这个分数是怎么算出来的

因子评估里的 ModelScore 来自一个 Elastic Net 多因子滚动回归，而不是单因子独立打分。核心流程如下：

回归目标：每只股票的 T+1 收益，按每个交易日做截面 z-score 标准化
```
y_{i,t} = (r_{i,t+1} - μ_t) / σ_t
```
滚动拟合：以 60 个交易日为窗口、20 天为步长滚动，在每个窗口内把你提交的所有因子一起放进同一个 Elastic Net 回归，共同竞争权重：
```
L = ‖y - F·w‖² + λ₁‖w‖₁ + λ₂‖w‖²
```
打分：对每个因子在所有窗口上的权重绝对值序列 |w|，计算
```
ModelScore_i = mean(|w_i|) / (std(|w_i|) + eps)
```
即该因子权重的信噪比——权重既要大、又要在各个窗口之间稳定，分数才高。

关键点：这是一个「联合回归」，不是「单因子独立测试」。 每个因子的分数取决于它在整个因子集合里的边际贡献，而不是它单独的表现。因此，同一个因子，在不同的因子组合里，分数天然就会不同。

这是联合回归的预期行为，通常由以下一个或多个原因造成：

如果新加入的因子与原因子高度相关（相关系数高），回归会把原本集中在一个因子上的权重，拆分到多个相关因子上。

单个因子拿到的 mean(|w|) 变小 → 分子变小；
更麻烦的是，L1 正则（稀疏性）会让这些相关因子在不同窗口里轮流被选中——这个窗口给 A 权重、下个窗口给 B 权重——导致每个因子的权重在窗口间大幅跳动；
std(|w|) 变大 → 分母变大。

分子变小、分母变大，ModelScore 双向被压低。这也是为什么报告里会附带因子相关性热力图和 selection_rate（因子在各窗口权重非零的占比）——用来诊断这种情况。

如果新因子对收益的解释力更强，且覆盖了原因子的部分信息，回归会把权重更多地分配给新因子，原因子的权重被自然压缩甚至归零。这说明原因子在新组合里的增量信息有限。

Elastic Net 的 L1 项会主动把冗余因子的权重压到 0。当因子数增多、彼此可替代时，某个因子可能只在部分窗口被选中、其余窗口权重为 0，selection_rate 下降，|w| 序列波动加大，信噪比自然走低。

窗口内的最小样本要求为 max(50, 因子数 × 5)。因子数量显著增加时，部分样本不足的窗口会被跳过，可用于统计的窗口变少，也会让分数不稳定。

分数下降不代表原因子「失效」，而是反映它在新的因子集合中边际贡献变小了——多数情况是与新因子信息重叠。
单因子分数高、组合内分数低，恰恰是这个评估想要暴露的信息：因子之间是否冗余。
建议排查方向：
1. 查看报告中的因子相关性热力图，确认新老因子是否高度相关；
2. 关注 selection_rate——若明显下降，说明该因子在多数窗口已被其他因子替代；
3. 如果目标是评估单个因子的独立有效性，请单独提交该因子或与低相关因子组合；如果目标是构建组合，则应关注组合整体的表现，而非单一因子的绝对分数。

简言之：这套评估衡量的是因子在组合中的独立增量价值。因子越多、越相关，单因子被稀释是正常且符合设计预期的结果。