滚动 ICIR 的多因子选股策略
由bq5973r5创建，最终由bq5973r5 被浏览 5 用户
1. 策略定位与适用场景
本策略为沪深300范围内的多因子选股 / 指数增强策略。通过在每次调仓前对因子权重进行滚动训练，以**最大化组合因子的 ICIR（信息系数稳定性）**为目标，构建更稳健的选股信号并形成可交易组合。
2. “滚动训练 + 周期调仓”框架
2.1 训练窗口与预测周期
- 预测目标：未来 H=5 个交易日收益（forward return）
- 训练窗口：过去 TRAIN_WINDOW=252 个交易日（约 1 年）
- 训练频率：回测期内对每个交易日都可训练一套权重（用于生成当日信号）
2.2 调仓节奏
- 调仓周期：REBALANCE_DAYS=5
- 仅在调仓日更新目标持仓；非调仓日保持持仓不变\n目的：
- 与 H 的预测周期对齐，避免信号过期
- 控制换手与成本，提升可执行性
3. 因子体系（方向约定）
策略使用 5 个经典且互补因子，并统一到“值越大越看好”的方向：
- f1：估值（PE）：
-1 / pe_ttm（低PE更好） - f2：估值（PB）：
-pb（低PB更好） - f3：质量（ROE）：
roe_avg_ttm（高ROE更好） - f4：拥挤度/热度（换手）：
-turn（低换手更好，偏避开拥挤） - f5：短期动量：
momentum_5（动量越强越好）
股票池与过滤条件：
- 沪深300成分股
- 剔除 ST、停牌
- PE、PB 为正，ROE 不为空
4. 信号构建方法（核心逻辑）
4.1 标签：未来 H 日收益
对每只股票构造未来收益作为监督信号：
fwd_ret(t) = close(t+H) / close(t) - 1
4.2 训练样本：每日IC序列
在训练窗口内，对每个交易日做截面统计：
- 对 5 个因子做截面 rank（分位排序）
- 计算每个因子的 IC：
corr(factor_rank, fwd_ret) - 得到当天一个 5 维 IC 向量\n训练窗口内累积得到 IC 矩阵：
IC_mat ∈ R^(N_days × 5)
4.3 权重学习：最大化组合ICIR
对 IC 矩阵估计：
μ = mean(IC_mat, axis=0)（每因子平均IC）Σ = cov(IC_mat)（IC协方差：稳定性 + 重复信息）
求解权重并归一化：
w_raw = solve(Σ, μ)w = w_raw / sum(|w_raw|)（抑制权重极端化、便于控制敞口）
解释：
- μ 高 → 因子长期更有预测力 → 倾向加权
- Σ 大/相关高 → 因子不稳定或重复信息多 → 倾向降权
- 归一化用于避免权重过度集中，保持组合敞口可控
5. 选股与组合构建
5.1 因子标准化与综合打分
用于当日打分的因子做横截面标准化（normalize），然后用当日权重打分：
score = Σ(w_i * f_i_norm)
5.2 选股与权重
- 选取得分最高的 TOPN=30 只股票
- 等权配置：每只
1/TOPN
等权优点：
- 风险更平滑、降低单票极端暴露
- 避免分数噪声导致权重过度倾斜
- 便于客户理解、审计与复现
5.3 调仓过滤（仅调仓日执行）
虽然可生成每日候选持仓，但仅在调仓日输出并执行组合更新（每 5 个交易日）。
6. 风险提示
- 因子有效性漂移：滚动训练可缓解但无法消除
- 市场系统性风险：权益策略在极端行情下仍可能回撤
- 成本与冲击：费率已计入，但大资金需评估冲击成本与容量
- 风格与行业暴露：如需严格约束，建议在组合层增加行业/风格/单票上限等约束模块
策略源码：
https://bigquant.com/codesharev3/28af575f-0873-4b44-a61c-4ab1fbf6e9cc
\