因子建構的完整流水線
原始資料 → 信號計算 → 截面標準化 → 信號評估 → 正交化 → 多因子混合 → 再平衡 → 回測
1. 排序與分組（Cross-Sectional Sorting）
最直觀的因子評估方式：在某個截面（某天/某月），把所有股票按因子值從低到高排序，分成 N 組（通常 5 組 = Quintile 或 10 組 = Decile）：
- Q1（最低因子值）vs Q5（最高因子值）
- 多空組合（Long-Short Portfolio）：做多 Q5，做空 Q1，觀察兩者的回報差
- 若因子有效，各分組回報應呈單調遞增（monotonicity）
quantskills 工具：skill-factor-evaluate 的「分組收益」模組；skill-backtest 提供標準化的截面多頭回測協議（T+1 成交、Top 等權、雙邊 15bp 費用、四聯診斷圖）。
2. IC 分析（Information Coefficient）
IC（Information Coefficient）：因子值與下期股票回報的 Spearman 相關係數（排名相關，對異常值更穩健）。
- IC 均值 > 0.03–0.05：通常認為因子有效
- ICIR（IC / IC標準差） > 0.5：信號穩定性指標
- IC 累積圖：觀察因子是否在不同市場環境下均有效，還是只在特定時期有效
IC 衰減（IC Decay）：IC 隨持有期延長而下降的速度——快速衰減代表因子信號短效（需要高頻再平衡），緩慢衰減代表中低頻因子。
quantskills 工具：
skill-ic-analysis：Rank IC + Pearson IC 對照、IC 衰減曲線、子樣本切片（市場環境分層）、Top 籃 Jaccard 重疊度skill-factor-decay：多期限（1d/3d/5d/10d/20d）IC 衰減、指數/幂律/雙指數擬合、Bootstrap 半衰期置信區間、推薦最優再平衡頻率
3. 截面標準化（Cross-Sectional Normalization）
原始因子值（如 PE ratio）在不同時期的絕對值缺乏可比性，需在每個截面內標準化：
- Z-score：減均值、除標準差，得到均值為 0、標準差為 1 的分布
- 排名標準化（Rank）：轉換為 0–1 的均勻分布，對異常值最穩健
- Winsorize：截斷極端值（如 ±3σ 之外設為邊界值），再做 Z-score
4. 因子正交化（Orthogonalization）
多個因子之間往往相關，直接混合容易讓某個因子主導結果。正交化把因子剔除掉不想要的共同暴露：
常見控制項：
- 行業（Industry）：若不控制行業，行業集中效應會混入因子信號
- 市值（Size）：剔除規模效應，讓因子信號純粹反映選股而非大小盤輪動
- 風格（Style）：Beta、波動率等
方法：逐日截面 OLS 回歸，用行業虛擬變量 + 市值 + 風格控制變量作為解釋變量，取殘差作為「純化後的因子」。
quantskills 工具：skill-factor-orthogonalize——逐日截面 OLS，支援行業（L1 one-hot）+ 市值（log dollar vol）+ 風格（beta/volatility）+ 舊因子暴露，輸出殘差因子與暴露清零診斷報告；已接入 Pandadata 行業分類。
5. 多因子混合（Multi-Factor Blending）
三種主流加權方案：
| 方案 | 方法 | 適用 |
|---|---|---|
| 等權（Equal Weight） | 各因子 Z-score 直接加總 | 簡單基準，假設各因子同等重要 |
| ICIR 加權 | 以歷史 ICIR 為權重加權 | 過去有效的因子獲得更高權重 |
| 機器學習 / Score | 用 ML 模型（如 XGBoost）對多因子做非線性組合 | 更靈活但過擬合風險更高 |
去冗餘（Deduplication）：相關性高的因子在組合中引入的信息有限，反而可能放大噪音。先用相關矩陣 + Top-bucket overlap（最高分位重疊度）篩出冗余因子，再加權。
quantskills 工具：skill-factor-blend——去冗餘 + 三種加權 + 逐日截面 z-score 合成 + 重新評估複合因子（輸出 composite_signal，非組合層資金分配）。
6. 再平衡（Rebalancing）
因子有效信號的時效決定再平衡頻率：
- 高頻因子（如動能、量價）：IC 半衰期 3–10 天，需週頻或月頻再平衡
- 低頻因子（如價值、品質）：IC 半衰期 60+ 天，季頻或半年頻即可
高頻再平衡的代價是換手率和交易成本。實務中必須在信號衰減和交易成本之間取平衡。
7. 組合優化（Portfolio Optimization）
從因子分數到實際持倉權重，有幾種路線：
- 等權 Top-N：簡單，直接把分數最高的 N 支股票等權持有
- 均值方差優化（MVO）：最大化 α（因子預期回報）、控制追蹤誤差（TE）和換手率
- 風險平價（Risk Parity）：讓每個持股貢獻等量風險
- Barra 風格因子控制：在因子組合上加入行業中性、風格中性約束
quantskills 工具：skill-portfolio-optimize 把因子分數轉成最優權重（支援 MVO / 風險平價 / 最小方差等），skill-risk-model 建立 Barra 式結構化多因子風控模型。
→ 下一篇：回測陷阱與失效爭議
來源：
- Grinold & Kahn (2000), Active Portfolio Management（因子研究標準教材）
- quantskills GitHub（
skill-factor-evaluate、skill-ic-analysis、skill-factor-decay、skill-factor-orthogonalize、skill-factor-blend、skill-backtest、skill-portfolio-optimize） - Fama-French 資料庫（截面排序與 IC 方法論）