关于量化多因子体系组合构造的思考备忘录
一、高频因子的定位与认知
高频因子就像战地记者，观察所有资金方如何真实博弈，从而推知如何获利。但高频因子的价值可能不在于直接选股，而在于对资金行为的刻画以及对交易执行层面的优秀化，例如优化下单，获得更好或更稳健的建仓。
从实际特征看，高频因子确实更接近于资金行为的微观刻画与交易执行的优化工具，而非直接的长期选股信号。其原始值噪声较大、衰减较快，直接纳入低频选股模型容易失效，但其统计特征（如持续性、突变性、条件关系）对描述资金博弈状态具有不可替代的价值。这一认知与因子库中高频因子的存在形式是吻合的——高频因子的价值更多体现在刻画和辅助，而非作为独立的长期 alpha 来源。
二、四类因子的逻辑分层与标准化困境
当前量化研究中的四类主流因子——日周月季级别的基本面因子、日频量价因子、高频因子和另类因子——并非处于同一逻辑层面。基本面因子是对标的对象内在价值的当下度量；量价因子是对围绕标的的价格面的度量；高频因子更倾向于对资金行为的刻画；另类因子则倾向于各种其他消息面的刻画，各有各的逻辑。
由此产生一个方法论上的疑问：既然这些因子的逻辑根基不同，那么简单地通过 z-score 进行归一化处理，会不会损失因子本身的度量性？换句话说，将市盈率、资金净流入、盘口失衡度和舆情热度这四个本质不同的信号强行压缩到同一量纲下进行比较，在经济学逻辑上是否成立？
从统计性质上看，z-score 本身只是一个线性变换，不改变因子的相对顺序，也不会“损失度量性”。真正的问题在于标准化之后如果采用线性加权、简单求和或等权合成，就隐含了一个极强假设：这些因子对收益的影响是可加、线性、并且单位标准差变化具有相同的边际贡献。这在经济学上往往不成立。私募因子库中已存在标准化改进因子，说明原始团队也意识到量纲问题，但标准化本身并不解决跨层逻辑差异。因子在经济学含义上分属不同度量维度，强行线性相加可能抹平其内在结构，合成方式需要允许非线性、交互与时序结构的存在。
三、从西蒙斯到 A 股：对“高维驱动”的路径修正
西蒙斯的文艺复兴大奖章基金被描述为寻找“高维的统计异常”，但这一范式在 A 股面临现实约束：在 A 股做空限制下，利空不易释放，就很难使用高维协整来寻找这种高维的统计异常，因为并不存在这种统计显著的规律。但驱动价格变化的因素也一定是高维的，驱动价格上升的因素也一定是高维的。
基于此，目标需要调整：不需要预测涨跌，而要跟随市场，选择会增长的标的。这意味着将重点从“预测精确的收益率”转向“识别具有上涨势能的标的”。此时 IC 值并不是最重要的特征，而要对因子组合的各种特征做多方面的检验，从而建立选股模型，再通过高频因子优化交易。
A 股做空限制确实导致利空释放不充分，传统多空对称的统计套利空间受限，但这不等于不存在高维统计规律，只是规律形式更偏向于动量、势能、题材与资金行为的非对称表达。将目标从“精确收益预测”转向“上涨势能识别”，本质上仍是对未来收益分布的一种预测，只是目标变量从连续收益变为方向或概率，因此 IC 等信息量指标仍有基础参考价值，但不应作为唯一优化目标。评估体系需要从对称的线性预测转向非对称的势能与尾部识别。
四、因子组合的时空维度拓展
因子组合不一定是同一时点的不同因子的得分通过某种数学公式结合起来。除了截面，还可以结合时序：例如某一周频基本面因子，加上譬如 3 日前那一天的一个高频因子和当日另一个高频因子的得分，以及这一周五天的量价因子的五个得分的某种统计值，这几个值的某种算法的结果和未来收益率有足够强的统计学关系。
这种“错位时序组合”试图捕捉不同频率因子之间的信息传导时滞，用上周的基本面低估、数日前的主力资金异动和当下的量价突破来共同描述一个“势能正在汇聚”的高维状态，而非简单用今日所有因子预测明日收益。这只是一个举例说明方向的框架，并非具体的构造方案。
不同频率因子之间确实存在信息传导的时滞，例如基本面变化先于资金行为，资金行为先于价格突破。将不同时点的因子得分进行组合，理论上能更完整地刻画“势能汇聚”的过程。但这一做法会显著扩大特征空间，且每个滞后项都需要经受经济逻辑与统计显著性的双重检验，否则极容易陷入未来函数与过拟合。错位时序组合的价值在于刻画状态，而非简单增加特征数量。
五、核心工程构想：人工检验与算法搜索的分工
人工主动专攻统计检验，严格把握组合后的因子性质，不管是时点性质、时变性质，还是信号变换后的统计学性质，对因子组合的效果进行严格统计检验。而搜索与组合的繁重任务则交由算法处理：因子组合，不管是截面、时序，还是逻辑分层，需要开发一个能通过遗传规划或者 LSTM 在三个层次几千个基因子上进行不存在未来函数和过度信息重复的搜索空间，再应用这些算法来组合它们。
这个框架的核心在于将“人的判断”与“机器的搜索”清晰解耦：机器负责在高维空间中穷举可能的组合形式，人则负责用严格的统计检验（包括条件衰减测试、时变稳定性检验、滚动窗口验证等）去伪存真。
人工专注于统计检验、算法专注于高维搜索，这一分工在逻辑上是自洽的，能够避免人工在庞大特征空间中盲目试错。但算法搜索的天然缺陷在于容易发现样本内有效、样本外失效的复杂结构，因此统计检验的严格程度必须与搜索复杂度相匹配。因子库中已有的数千个 GP 因子恰好说明了搜索空间之大，也意味着过拟合风险极高，人工检验是防止数据窥察的最后防线。
六、背景与资源：私募遗留因子库的整理与复现
手头有私募团队留下的“遗产”或“快照”，约 2023 年，包含几百个各层次的因子（他们称为特征）、每一大类因子进行标准化改进的因子、GP 挖掘出的几千个因子。代码框架没有保留，部分因子有代码，部分只有公式，部分只有文字描述；复合因子对基础因子的引用均有注明。目前正在全面整理和复现这个因子库，将因子写成 Python 代码，得到每个时间、每个股票序号、每个因子值的矩阵表。
传统多因子模型的确难以做起来，所以才产生前面的想法。即使复现结果与原团队有差异，仍以自己复现的结果为准，只借用他们的因子库作为原料，具体的构造、组合、检验都由自己完成。至少不是从零开始，因子足够全面，数据源也足够计算这些因子（不包括另类因子和分析师因子）。
拥有数百个基础因子、标准化因子和数千个 GP 因子，使整个框架的可行性大幅提高——原料丰富，且带有前人的经验筛选痕迹。但因子库本身不等于可用的特征矩阵，其价值高度依赖于复现质量、数据时点对齐、未来函数清理和幸存者偏差处理。若这些基础工作不到位，后续的组合搜索与统计检验将建立在不可靠的数据之上。复现后的因子值矩阵是整个体系的核心原料，但它不能直接作为模型输入。矩阵中可能隐含未来信息、缺失值、极端值、共线性等问题，需要经过严格的时点审计和预处理，才能真实反映历史可知信息。直接“裸用”矩阵进行组合搜索，得到的任何结果都缺乏可信度。
总体来看，原有思考框架在结合私募因子库后方向不变，可行性有所提高，但执行重心必须前移至因子复现的质量控制与数据可信度验证。分析逻辑的各个环节之间相互制约，任何一环的疏漏都会通过后续的统计检验被放大。