因子回撤时做出正确止损/调仓决策，反制主力猎杀
第176页 · 预计45页
本章实战输出：在因子回撤时做出正确的止损/调仓决策，识别失效前兆，反制主力猎杀行为，并用AI预测失效概率。
因子失效不是突然发生的。在它真正崩盘之前，会有一系列征兆。如果你能提前识别这些信号，就能在大跌之前减仓或清仓。
我总结了四个最可靠的预警信号。当其中两个同时出现时，我就会对这个因子高度警惕；当三个或以上出现时，我会果断减仓。
第一个信号：IC均值的滚动衰减
IC也就是信息系数，衡量因子预测能力的强弱。如果你计算过去60天的平均IC，发现它连续20天都在下降，或者比3个月前下降了30%以上，说明因子的预测能力正在减弱。
代码示例：
ic_rolling_mean = ic_series.rolling(60).mean()
# 如果当前值比20天前低30%
if ic_rolling_mean.iloc[-1] < ic_rolling_mean.iloc[-20] * 0.7:
print("IC衰减预警")
第二个信号：换手率异常飙升
因子的换手率突然大幅上升，比如超过过去60日均值的2倍，说明因子值变化剧烈，可能是市场风格切换导致因子失效。
代码示例：
turnover_mean = turnover_series.rolling(60).mean()
turnover_std = turnover_series.rolling(60).std()
if turnover_series.iloc[-1] > turnover_mean.iloc[-1] + 2 * turnover_std.iloc[-1]:
print("换手率异常预警")
第三个信号：因子拥挤度进入极端区间
我在第一章讲过拥挤度。当拥挤度超过80%分位，并且比一个月前上升了20个百分点以上，说明大量资金正在涌入这个因子，风险急剧增加。
第四个信号：分组收益收敛或倒挂
在分层回测中，最高组也就是因子值最大的组，和最低组也就是因子值最小的组，收益差距应该显著。如果你发现最近一段时间，最高组的收益不再高于最低组，甚至低于最低组，也就是倒挂，说明因子已失效。
代码示例：
# 假设你有每天的分组收益
top_group_ret = group_returns['top']
bottom_group_ret = group_returns['bottom']
spread = top_group_ret - bottom_group_ret
# 如果过去20天的平均spread小于0.1%，即接近零，或为负
if spread.rolling(20).mean().iloc[-1] < 0.001:
print("分组收益收敛或倒挂预警")
实盘日志：2023年底的小市值因子预警
2023年11月，我注意到小市值因子的四个预警信号中，有三个同时亮起：
IC均值从0.04降到了0.015，下降幅度62%。
换手率从日均40%飙升到80%。
拥挤度达到了93%分位。
只有分组收益还没有倒挂，但差距也在缩小。
我当时犹豫了。因为因子还在赚钱，而且年底了，想再赚一波再走。结果12月小市值因子继续涨了一周，我的预警系统天天喊减仓，我没理。
然后1月第一周，微盘股开始下跌。我还在犹豫要不要减，结果第二周暴跌，我的利润回吐了一大半。最终我是在回撤了15%之后才止损的，损失惨重。
现在回想，如果我在11月看到三个预警信号时就减半仓，12月涨的时候少赚一点，但1月大跌时可以少亏很多。这就是贪心的代价。
因子失效的根源通常是市场风格切换。比如，当市场从小盘风格切换到大盘风格时，小市值因子就会失效。那么，如何量化市场风格的变化？
一种方法是主成分分析，简称PCA。PCA可以把市场上的股票收益率分解成几个主要风格因子，比如规模因子，也就是小盘对大盘、价值因子，也就是低PB对高PB、动量因子，也就是过去涨对过去跌等。
然后你每天计算这些风格的收益率，如果某个风格的收益率突然反转，比如从正变成负，就说明风格在切换。
更简单的做法：用大小盘轮动指标
更简单的方法是直接用大小盘相对强弱指标。比如：
大小盘比值 = 中证1000指数 / 沪深300指数
取这个比值的20日均线。如果比值跌破了20日均线，说明大盘风格走强，小盘风格走弱；反之亦然。
代码示例：
import akshare as ak
import pandas as pd
# 获取中证1000和沪深300指数
csi1000 = ak.index_zh_a_hist(symbol="000852", start_date="20230101", end_date="20241231")
csi300 = ak.index_zh_a_hist(symbol="000300", start_date="20230101", end_date="20241231")
# 计算比值
ratio = csi1000['close'] / csi300['close']
ratio_ma20 = ratio.rolling(20).mean()
# 如果比值跌破20日均线，说明大盘风格占优
if ratio.iloc[-1] < ratio_ma20.iloc[-1]:
print("大盘风格走强，小盘因子可能失效")
多个风格的综合判断
除了大小盘，还有价值成长、低波高波等风格。你可以用多因子模型，比如Fama-French三因子，来提取风格收益率。但这对普通人来说比较复杂。更实用的办法是：关注你因子所依赖的风格，当那个风格逆转时，就减仓。
比如，你的因子是低波动因子，那么你就关注低波股票组合相对于高波股票组合的表现。当低波组合开始跑输高波组合时，就要小心。
因子不是突然失效的，而是逐渐衰减的。学术研究发现，因子衰减的速度可以用一个数学模型来描述：双曲线衰减模型。
公式表达
一个因子的信息系数，也就是IC，随时间衰减的速度，可以用以下公式拟合：
IC(t) = IC₀ · (1 + t/T)⁻¹
其中IC₀是因子被发现时的初始IC，t是时间，以月为单位，T是半衰期，当t=T时，IC衰减到初始值的一半。
怎么用
你可以用历史数据拟合出每个因子的半衰期T。比如，一个因子的IC从0.05衰减到0.025用了12个月，那么它的半衰期就是12个月。如果你已经用了这个因子6个月，那么它的剩余IC大约还有0.05/(1+6/12)=0.033，仍然可用。但如果用了18个月，IC就只剩0.05/(1+18/12)=0.02，已经很低了，应该考虑替换。
代码示例：拟合半衰期
import numpy as np
from scipy.optimize import curve_fit
def hyperbolic_decay(t, ic0, T):
return ic0 / (1 + t / T)
# t: 月份数组，0,1,2,...
# ic_obs: 实际观测到的月度IC均值
popt, _ = curve_fit(hyperbolic_decay, t, ic_obs, bounds=([0,0], [1, 100]))
ic0_est, T_est = popt
print(f"初始IC估计: {ic0_est:.3f}, 半衰期估计: {T_est:.1f}个月")
实盘日志：我用半衰期模型逃过一劫
2019年，我使用的一个反转因子已经用了两年。根据历史拟合，它的半衰期大约是14个月。也就是说，到了2019年底，它的预期IC只剩下初始的三分之一左右。
当时因子的实盘表现还不错，但我还是决定减半仓。因为模型告诉我，它的有效寿命已经快到了。结果2020年初，这个因子大幅失效，很多还在满仓的人亏损严重，我只亏了不到一半。
前面讲的是预警和减仓。但有时候，你没有及时减仓，因子已经开始亏钱了。这时候怎么办？
止损的三个层次
第一层：因子级止损
不是针对个股，而是针对整个因子的表现。比如，你设定一个规则：如果因子在过去20个交易日的累计收益为负，或者跑输基准，就把该因子的权重降为零，切换到现金或其他因子。
第二层：策略级止损
如果你的组合由多个因子构成，可以对整个策略设置最大回撤容忍度。比如，当策略净值从高点回撤超过10%时，平掉所有仓位，转为现金，等待市场稳定后再重新入场。
第三层：个股级止损
对单个股票设置止损线。但量化策略通常持有几十上百只股票，个股止损意义不大，因为单只股票的波动会被分散。更有效的是前两个层次。
仓位管理：风险平价调仓
传统仓位管理是固定比例，比如每只股票2%。但更好的做法是风险平价，让每只股票对组合的波动率贡献大致相等。这样，高波动股票的权重会自然降低，低波动股票的权重升高，组合的风险更均衡。
代码示例：简单风险平价调仓
def risk_parity_weights(returns, lookback=60):
"""基于历史波动率的风险平价权重，近似"""
vol = returns.rolling(lookback).std().iloc[-1]
inv_vol = 1 / vol
weights = inv_vol / inv_vol.sum()
return weights
凯利公式的局限
很多人听说过凯利公式，它可以根据胜率和盈亏比计算出最优仓位比例。但凯利公式假设你知道真实的胜率和盈亏比，这在金融市场是不现实的。而且，凯利公式给出的仓位往往极高，比如20%、30%，在实际交易中风险太大。
我的建议：不要用凯利公式。用更保守的固定比例，比如每只股票1-2%，总仓位控制在80%以内，更安全。
第一章我们讲了主力如何用虚假申报、诱导拉升等手段反杀量化。作为普通投资者，你可以用一些量化方法反制他们。
第一个特征：虚假申报的量化检测
我们1.3节讲过，不再重复。在你自己的交易系统中，可以加入撤单率监控。如果你要买入的股票，过去5分钟撤单率超过70%，就暂停买入，等10分钟后再看。
第二个特征：突破后的成交量萎缩
当价格突破关键位时，观察突破后的成交量是否快速萎缩。如果是，说明突破缺乏持续买盘，很可能是假突破。你可以设置一个规则：突破后15分钟，如果成交量低于突破前15分钟的50%，则放弃这次信号。
第三个特征：主力资金异动的反向指标
主力在拉升前，往往会先试盘，用小单拉一下价格，看抛压大不大。这个动作在Level2数据中表现为：突然出现一笔或几笔较大的买单，价格快速上升几个价位，然后迅速回落。
如果你的系统能检测到这种试盘行为，你可以选择跟随。但注意，试盘可能成功也可能失败。更稳妥的做法是：等到试盘之后价格站稳，比如15分钟不跌破试盘点，再跟进。
第四个特征：拥挤度加盘口异常的双重过滤
结合第一章的拥挤度指标和本章的盘口异常检测。如果一只股票的因子拥挤度高，说明很多量化在里面，同时又出现盘口异常，比如撤单率高，那它很可能是主力正在收割的对象。此时应该清仓或回避。
前面讲的预警信号都是基于规则的。但你可以用机器学习来做得更精细：训练一个模型，输入当前的各种市场特征，输出该因子在未来一段时间，比如20个交易日，是否会失效，定义为超额收益为负。
特征设计
你要为每个因子、每个时间点构造特征。可能的特征包括：
因子过去20日IC均值、IC波动率、IC序列的自相关性
因子拥挤度
因子换手率
市场风格变量，大小盘比值、价值成长比值
市场波动率，VIX或历史波动率
因子分组收益的单调性，最高组与最低组收益差
标签定义
对于每一天，定义未来20日的因子超额收益是否为负。如果是，标签为1，也就是即将失效；否则为0。
模型训练，XGBoost实现
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score
# 假设 X 是特征矩阵，y 是标签，0或1
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)
model = xgb.XGBClassifier(n_estimators=100, max_depth=3, learning_rate=0.1)
model.fit(X_train, y_train)
y_pred = model.predict_proba(X_test)[:, 1]
auc = roc_auc_score(y_test, y_pred)
print(f"AUC: {auc:.3f}")
# 输出特征重要性
importance = pd.DataFrame({'feature': X.columns, 'importance': model.feature_importances_})
importance.sort_values('importance', ascending=False, inplace=True)
print(importance)
实盘使用
每天收盘后，用最新数据跑一次模型，得到每个因子未来20日失效的概率。如果概率超过0.7，也就是70%可能失效，第二天就把该因子的仓位减半或清仓。
代码调试指南
XGBoost对缺失值敏感。确保你的特征没有NaN，可以用fillna(0)或dropna处理。
类别不平衡问题：失效的样本可能远少于未失效的样本，因为因子大部分时间有效。可以设置scale_pos_weight参数来平衡。
不要用未来信息构造特征。比如，你计算未来20日IC均值作为特征，那就是作弊。所有特征必须基于过去已知的信息。
实盘日志：XGBoost帮我避开了一次大跌
2024年2月，我的XGBoost模型对小市值因子给出了0.85的失效概率。模型在之前半年准确率还不错，所以这次我决定信它，把小市值因子仓位从60%降到20%。
结果3月，小市值因子果然大跌，但因为我提前减仓，损失只有全仓的三分之一。我当时很庆幸。不过后来模型也有误报的时候，比如给出高失效概率，但因子没跌，所以不要完全依赖模型，要结合自己的判断。
这一节以一个真实的平台为例，展示因子失效预警体系在实战中的应用。
B2fund.com是一个跨境跟单交易平台，上面有多个信号源，也就是策略提供者，每个信号源有不同的风险等级和预期收益。平台会为每个信号源计算实时的健康度指标，包括：
当前回撤距离历史最大回撤的百分比
近期，也就是20日，夏普比率的变化趋势
因子拥挤度，如果信号源是基于因子的
风格漂移程度
当某个信号源的健康度下降到阈值以下时，系统会自动向跟单用户发送预警，邮件或微信，建议减仓或暂停跟单。
示例：高风险信号源的失效预警
一个高风险信号源，预期年化+50%到-10%，历史最大回撤-45%，它的核心因子是小市值加动量。2024年1月，该信号源的20日夏普从1.5骤降到0.2，同时小市值因子拥挤度达到90%分位。系统自动发出红色预警，建议用户减仓。
结果2月，该信号源回撤了18%。而那些在预警发出后就减仓的用户，只亏了5%。
你如何借鉴
即使你不用B2fund，你也可以构建类似的预警系统。你只需要：
每天计算你自己因子的健康度指标，IC波动率、拥挤度、夏普趋势等
设置一个阈值，比如20日夏普小于0.5且拥挤度大于80%就预警
用钉钉机器人或微信企业号发送通知
这一节，我以时间线的形式，复盘2024年初微盘股崩盘的完整过程，以及各阶段应该采取的行动。
2023年12月15日：预警信号出现
小市值因子的拥挤度达到88%分位，历史高位
IC滚动60日均值从0.045降到了0.028，下降38%
换手率从日均35%上升到60%
应该做的事：减仓30%-50%。当时很多人没减，因为还在赚钱。
2024年1月2日：第一根阴线
微盘股指数单日下跌1.5%。看似正常调整，但成交量放大。
应该做的事：如果已经减仓，保持；如果还没减，再减20%。
2024年1月5日到1月12日：连续下跌
两周内跌了15%。大量量化产品触发止损线，被迫卖出，形成踩踏。
应该做的事：此时已经不宜再卖，因为价格已大幅偏离价值，但也不应加仓。等待企稳。
2024年1月15日：反弹开始
微盘股指数单日反弹3%。但成交量没有放大。
应该做的事：不要追反弹。这是死猫跳，很可能继续跌。果然，后续又跌了10%。
2024年1月底：底部确认
指数从高点累计下跌35%。拥挤度回落到50%分位。
应该做的事：可以开始分批建仓，但要用更小的仓位，比如平时的一半，因为可能还有二次探底。
教训总结
第一，预警信号出现时就要行动，不要等到亏了再止损。
第二，不要逆势死扛。微盘股下跌过程中，很多人觉得估值已经很低了，越跌越买，结果被套。
第三，反弹不要追。下跌趋势中的反弹往往是出货机会。
第四，拥挤度回落是机会。这个因子没有死，只是太挤了。等别人走了，你再进去。
问题1：因子失效后，多久可以重新使用？
至少等拥挤度回落到历史中位数以下，并且IC均值稳定回升。一般需要3-6个月。有些因子失效后可能再也回不来了，所以不要死守。
问题2：如何判断是正常回撤还是永久失效？
看拥挤度。如果拥挤度极高，通常只是暂时失效，等大家都走了又会恢复。如果拥挤度不高但因子还是亏钱，那可能是因子逻辑本身出了问题，属于永久失效。
问题3：我的策略持有100只股票，需要给每只设止损吗？
不需要。100只股票的分散性已经很好了，个股止损反而会破坏分散性。你只需要在因子层面和策略层面止损。
问题4：XGBoost模型预测失效概率，需要每天重新训练吗？
不需要每天重新训练。可以每周或每月训练一次，用滚动窗口更新数据。频繁训练容易过拟合。
问题5：市场风格切换时，我怎么快速调整因子权重？
可以用风格中性方法：让因子在每个风格内部选股，而不是全市场选股。比如，在大盘股里选低波动，在小盘股里也选低波动，这样无论风格如何切换，因子都有持仓。但这会牺牲一部分收益。
拥挤度预警
拥挤度大于80%且较上月上升大于20%，建议减仓
IC衰减模型
IC(t) = IC₀ · (1 + t/T)⁻¹
T为半衰期，单位月，t为已使用月数。
风险平价权重，近似
wᵢ 与 1/σᵢ 成正比
σᵢ为股票i的历史波动率。
失效概率模型，XGBoost
输入：IC趋势、拥挤度、换手率、市场风格、波动率
输出：未来20天失效的概率
每日晨间因子健康检查
计算因子最近20日的IC均值，与60日均值对比，若下降大于30%则预警。
计算因子换手率，若超过60日均值2倍标准差则预警。
计算因子拥挤度，若大于80%且比上月上升大于20%则预警。
计算分组收益差，若小于0.1%或为负则预警。
若2个及以上预警，当天减仓50%；若3个及以上，清仓该因子。
每周风格检查
计算大小盘比值，看是否跌破20日均线。
计算价值成长比值，可用PB、PE中位数，判断风格方向。
如果你的因子依赖某种风格，当该风格逆转时，减仓该因子。
使用XGBoost预测失效，每月
收集过去3年的因子特征和失效标签。
训练XGBoost模型，记录AUC。
对当前每个因子，预测未来20日失效概率。
如果概率大于0.7，减仓该因子；概率大于0.9，清仓。
实盘止损规则，示例
因子级：因子过去20日累计收益为负，权重降为0，切换现金。
策略级：组合净值从高点回撤超过10%，清仓所有头寸，转为现金。
个股级，可选：单只股票从买入点下跌超过20%，止损，但仅适用于少量集中持股。
第五章到此结束。
这一章我们讲的是防守。在量化交易中，防守往往比进攻更重要。赚钱靠的是概率，而亏钱只需要一次黑天鹅。
下一章，我们会把视角从A股扩展到全球，看看中美市场因子的差异，以及法律监管如何影响因子的有效性。我还会给你一个A股因子本土化检验的10个必查项。
⚠️ 风险提示：本书内容仅为量化研究与知识分享，不构成任何投资建议。套利交易存在基差、费率、流动性、平台与极端行情等风险，历史表现不代表未来收益。投资有风险，入市需谨慎，请自主决策、量力而行。
💡 键盘 ←/→ 翻章 · T 键切换目录