基于 ICIR 动态加权的多因子行业中性选股
1. 策略概述
本策略属于多因子选股 + 动态因子权重框架。核心思想是：
同一时间，不同因子对未来收益的预测能力会变化；
用历史“因子-未来收益”的相关性（IC）衡量因子有效性；
用 IC 的稳定性（ICIR = IC均值 / IC标准差）决定因子权重；
将多个因子按权重线性合成为综合得分（score），在股票池内做 TopN 等权持有，并按固定频率再平衡。
该框架的优势在于：权重不是固定拍脑袋，而是由历史有效性动态驱动；同时通过行业分组做因子分位排名，降低行业结构差异带来的偏差。
2. 数据与股票池（Universe）
2.1 数据源
策略使用 BigQuant 数据表 cn_stock_prefactors，主要字段包括：
行情：
close估值：
pe_ttm, pb财务质量：
roe_avg_ttm成长：
net_profit_yoy_ttm, operating_revenue_yoy_ttm市值：
float_market_cap行业：
sw2021_level2（申万2021二级行业）其他过滤：
st_status, suspended, list_days
2.2 交易标的范围
仅选择以下代码前缀的股票：
300%.SZ 或 301%.SZ
即：创业板相关标的（包含 300/301 代码段）。
2.3 基础可交易过滤（硬约束）
在原始股票池上进行过滤，确保可交易性与基本面质量：
非 ST：
st_status = 0非停牌：
suspended = 0流通市值上限：
float_market_cap <= 1,500,000,000上市天数：
list_days > 90成长性：
net_profit_yoy_ttm > 0.3（净利润TTM同比 > 30%）operating_revenue_yoy_ttm > 0.3（营收TTM同比 > 30%）
估值合理区间：
0 < pe_ttm < 500 < pb < 5
3. 收益标签（Label）定义：未来 5 日收益
策略以未来 HORIZON = 5 个交易日的收益作为训练标签：
4. 因子构建（Factors）
策略构建 5 个因子，并采用行业内分位数排名（percent_rank）来标准化，减少行业间可比性问题。行业分组维度为：sw2021_level2（申万二级行业）。
4.1 因子列表与含义
规模因子（size）
原始指标：
float_market_cap（流通市值）处理：行业内按市值排序做分位数，并取反使“小市值”得分高：
f_size=1−percent_rank(float_market_cap)
盈利收益率因子（ep）
原始指标：
1 / pe_ttm（E/P）行业内分位数：
percent_rank(1/pe_ttm)
倾向于“估值更便宜（E/P 更高）”
净资产收益率因子（bp）
原始指标：
1 / pb（B/P）行业内分位数：
percent_rank(1/pb)
倾向于“PB 更低”。
盈利质量因子（roe）
原始指标：
roe_avg_ttm行业内分位数：
percent_rank(roe_avg_ttm)
倾向于“ROE 更高”。
5.动量因子（mom）
原始指标：过去 5 日收益：
行业内分位数：percent_rank(mom)
5. IC / ICIR：动态评估因子有效性并生成权重
5.1 日度 IC 计算逻辑
策略不是直接用因子值与未来收益算相关，而是先将它们都转换为当日分位数排名：
对每个交易日、每个因子：
rx：该因子值x在当日（全市场）中的percent_rankry：未来收益y在当日（全市场）中的percent_rank
用
corr(rx, ry)作为当日该因子的 IC。
5.2 避免未来函数：IC 延迟使用
代码将 IC 向后平移 HORIZON 天再纳入权重计算：
直观理解：某天计算出的因子-未来收益关系，要等未来收益真正“发生后”才可用于历史统计，因此在权重更新上做了时间对齐。
5.3 ICIR 计算窗口
使用过去 LOOKBACK = 120 个交易日（不含当天）作为滚动窗口，计算：
ic_mean：窗口内 IC 的均值ic_std：窗口内 IC 的标准差ic_cnt：有效 IC 个数（少于 30 则不启用）
并得到：
权重的核心原则：
若
ic_cnt < 30或ic_std = 0：权重为 0否则取
ic_mean / ic_std，并与 0 取最大（只保留正值）：每个交易日对所有因子wpos做归一化：若当日所有wpos都为 0，则所有因子权重为 0（综合得分将接近 0 或缺失）。
这意味着策略会自动弱化/屏蔽近期不稳定或负向的因子，聚焦当下更有效的因子组合。
6. 综合得分（Score）与选股
6.1 Score 计算
对每只股票在每个交易日的综合得分：
6.2 排名与持仓构建
每天将股票按 score 降序排序，取前 HOLD_N = 30 只进入目标持仓；持仓权重等权：
当天入选股票数为
cnt（通常为 30，若因数据缺失不足 30，则以实际数量为准）单只权重：
7. 交易与再平衡机制（BigTrader 回测实现）
7.1 调仓频率
策略设定 每 5 个交易日调仓一次（REBALANCE_DAYS = 5）。
在回测引擎中，逻辑为：
仅当
trading_day_index % 5 == 0时执行调仓；读取当日目标持仓列表：
先卖出：当前持仓中不在目标池的股票 → 调整到 0%
再买入/调权：目标池股票 → 调整到目标等权比例
7.2 交易成本假设
采用按订单计费的手续费模型（代码写死）：
买入费率：0.0003（万 3）
卖出费率：0.0013（千 1.3，含印花等综合）
最低手续费：5 元/笔
8.回测结果
9. 策略特点与适用场景
9.1 策略特点
动态权重：因子有效性变化时，策略会自适应调整因子占比；
行业内标准化：同一行业内比较，减少行业结构差异影响；
组合相对分散：等权持有 30 只，避免极端集中（但仍可能有行业集中风险）。
9.2 适用市场环境
对中短周期（约 1 周）收益机会敏感；
在成长风格占优、题材活跃阶段，动量因子可能权重上升；
在估值修复或风格切换阶段，价值/质量因子（EP/BP/ROE）可能权重上升。
10. 风险提示与局限性
小市值固有波动：回撤可能较大。
财务因子滞后与修正风险：财务数据存在披露延迟与事后修正，可能影响回测与实盘一致性。
流动性与冲击成本：回测使用固定手续费，不含冲击成本；在小市值标的上，真实成交滑点可能更显著。
行业集中风险：尽管使用行业内排名，但最终选出来的 TopN 可能在某些阶段集中于少数行业。
执行时点假设：策略得分来自日频数据，实际落地通常采用“信号生成后下一交易日执行”的流程；不同执行假设会影响实盘表现。
参数敏感性：LOOKBACK、HORIZON、调仓频率、过滤阈值等均会显著影响结果。
策略源码：https://bigquant.com/square/ai/4f8381d1-1623-90fe-537b-5e03383fc939