6.1 加权方法：等权、IC加权、风险平价

6.1 加权方法：等权、IC加权、风险平价

一、引言：从“因子打分”到“真金白银”

经过前五章的奋战，你已经拥有了若干个经过检验、纯化后的优质因子。现在面临最后的临门一脚：如何将这些因子信号转化为具体的股票权重？

同一个因子信号，采用不同的加权方式，最终的策略收益、风险和换手率会有天壤之别。本节将深入对比三种主流的加权方法论：朴素稳健的等权、追求效率的IC加权、以及控制风险的风险平价，帮助你在A股的复杂环境中做出最优选择。

二、基础设定：横截面打分与权重映射

在讨论具体加权方法前，我们先建立统一的输入输出标准。假设在每个月末调仓时，你已拥有：

1. 候选股票池UtU_tUt​（如：剔除ST、上市不足一年、停牌股后的全A股）。

2. 纯净因子得分si,ts_{i,t}si,t​（经过行业中性化、风格正交化后的Z-Score，值越大越好）。

我们的目标是找到一个映射函数fff，将得分转化为权重：
wi,t=f(si,t,Ωt) w_{i,t} = f(s_{i,t}, \Omega_t)wi,t​=f(si,t​,Ωt​)
其中Ωt\Omega_tΩt​包含市值、流动性等其他约束信息。

三、方法一：等权加权 (Equal Weight)

1. 核心逻辑与实现

等权是最直观的方法，它假设所有入选股票的预期收益和风险相同，给予同等关注。

操作：选取因子得分最高的 TopNNN只股票，每只分配1/N1/N1/N的权重。

importpandasaspdimportnumpyasnpdefequal_weight_top_n(factor_scores,top_n=50,min_score=None):""" 等权加权：选取Top N高分股票，等权分配 """# 1. 分数筛选 (可选)ifmin_scoreisnotNone:candidates=factor_scores[factor_scores>=min_score].dropna()else:candidates=factor_scores.dropna()iflen(candidates)==0:returnpd.Series()# 2. 排序并取Top Ntop_stocks=candidates.nlargest(top_n)# 3. 等权分配weights=pd.Series(1.0/len(top_stocks),index=top_stocks.index)returnweights## 进阶变种：分层等权 (缓解头部股票过度集中)defstratified_equal_weight(factor_scores,n_groups=5,top_group_weight=0.5):""" 分层等权：按因子分位数分组，高分组权重更大，组内等权 """# 按因子值分组factor_scores=factor_scores.dropna()groups=pd.qcut(factor_scores,q=n_groups,labels=False,duplicates='drop')weights=pd.Series(0.0,index=factor_scores.index)# 分配组间权重 (如: 最高组占50%，其余组平分剩下50%)group_weights={}group_weights[n_groups-1]=top_group_weight# 最高分组remaining_weight=1.0-top_group_weightforiinrange(n_groups-1):group_weights[i]=remaining_weight/(n_groups-1)# 组内等权forgroup_id,group_weightingroup_weights.items():stocks_in_group=groups[groups==group_id].indexiflen(stocks_in_group)>0:weights.loc[stocks_in_group]=group_weight/len(stocks_in_group)returnweights

2. 优缺点与A股适用性

四、方法二：IC加权 (Signal Strength Weighting)

1. 核心逻辑与实现

IC加权认为因子得分的高低直接对应预期收益的大小。它不再“平均主义”，而是让高置信度的信号承载更多仓位，追求收益最大化。

操作：将因子得分（Z-Score）通过Softmax或线性缩放转化为权重。

defsignal_strength_weighting(factor_scores,method='softmax',temperature=0.3,long_only=True):""" IC加权：根据因子得分强度分配权重 """scores_clean=factor_scores.dropna()iflen(scores_clean)==0:returnpd.Series()ifmethod=='linear':# 线性缩放：w_i = (s_i - min(s)) / sum(...)min_score=scores_clean.min()shifted=scores_clean-min_score+1e-8# 避免负数和除零weights=shifted/shifted.sum()elifmethod=='softmax':# Softmax: w_i = exp(s_i / T) / sum(exp(s_i / T))# 温度参数T控制分布的陡峭程度：T越小，高分股票权重越集中scaled=scores_clean/temperature exp_scores=np.exp(scaled-scaled.max())# 数值稳定性处理weights=exp_scores/exp_scores.sum()elifmethod=='rank_power':# 幂次加权：按排名赋予非线性权重ranks=scores_clean.rank(ascending=False)# 第一名 rank=1power=2.0# 幂次越大，头部集中度越高weights=(1.0/ranks)**power weights=weights/weights.sum()# 长仓约束iflong_only:weights=weights.clip(lower=0)weights=weights/weights.sum()returnweights

2. 温度参数 (TTT) 的调节艺术

在Softmax中，温度参数TTT是控制持仓集中度的关键旋钮：

• T→0T \to 0T→0(低温)：权重集中在得分最高的几只股票上。收益爆发力强，但波动大，换手极高。

• T→∞T \to \inftyT→∞(高温)：权重趋于均匀分布。逼近等权，稳健但平庸。

A股实战建议：TTT取值在 0.2−0.5之间较为适宜，既能发挥因子选股能力，又不会过度集中导致流动性危机。

3. 优缺点对比

五、方法三：风险平价 (Risk Parity / Volatility Targeting)

1. 核心逻辑与实现

前两种方法关注“收益”，风险平价关注**“风险贡献”**。它的目标不是收益最大化，而是让组合中每只股票（或每份风险源）对总风险的贡献相等。这在A股这种高波动市场尤为重要。

操作：根据历史波动率或预测风险，反比分配权重。

defrisk_parity_naive(volatility_estimates,factor_scores=None,target_vol=0.15):""" 朴素风险平价：权重 ∝ 1 / 波动率 目标：让每只股票对组合波动的贡献大致相等 """# 如果未提供波动率，使用因子得分的横截面波动作为代理ifvolatility_estimatesisNone:# 假设因子得分已经包含了风险信息（如高分对应低风险）# 或者简单使用统一值volatility_estimates=pd.Series(1.0,index=factor_scores.index)# 核心公式：波动率越高的股票，给的权重越低risk_weights=1.0/volatility_estimates# 归一化weights=risk_weights/risk_weights.sum()# 可选：叠加因子信号 (Blended Approach)# 既考虑风险平衡，又兼顾因子方向iffactor_scoresisnotNone:signal_weights=signal_strength_weighting(factor_scores,method='linear')blended_weights=weights*signal_weights weights=blended_weights/blended_weights.sum()returnweightsdefheuristic_volatility_targeting(factor_scores,market_caps,vol_window=20):""" 启发式波动率目标：小市值高波动股票降权，大市值低波动股票提权 """# 假设已有历史波动率数据# 计算调整系数：波动率越高，调整系数越小# adj_coeff = 1 / (volatility ^ k)# 简化为使用市值作为波动率的代理（A股经验：市值越小，波动越大）# 对大市值给予更高权重置信度，对小市值降权cap_weights=np.sqrt(market_caps)# 平方根作为平滑cap_weights=cap_weights/cap_weights.sum()# 结合因子得分signal_w=signal_strength_weighting(factor_scores)final_w=signal_w*cap_weights final_w=final_w/final_w.sum()returnfinal_w

2. 优缺点对比

六、综合对比与实战决策矩阵

1. 量化指标对比表 (基于A股历史回测假设)

(注：风险平价在风险调整后收益上胜出)

2. 什么时候选哪种？（A股实战指南）

七、代码实战：组合加权流水线

最后，我们将三者串联成一个完整的Pipeline，供你直接调用。

classWeightingPipeline:"""加权策略流水线"""def__init__(self,config):self.config=configdefexecute(self,date,factor_scores,market_data=None):""" 执行加权逻辑 """method=self.config.get('weight_method','equal_weight')ifmethod=='equal_weight':top_n=self.config.get('top_n',50)weights=equal_weight_top_n(factor_scores,top_n=top_n)elifmethod=='ic_weighted':temp=self.config.get('temperature',0.3)mode=self.config.get('ic_mode','softmax')weights=signal_strength_weighting(factor_scores,method=mode,temperature=temp)elifmethod=='risk_parity':# 需要传入波动率或市值数据ifmarket_dataisNone:# 回退到等权weights=equal_weight_top_n(factor_scores,top_n=50)else:vols=market_data.get('volatility_20d',None)weights=risk_parity_naive(vols,factor_scores)elifmethod=='blended':# 混合策略：IC加权 + 风险预算ic_w=signal_strength_weighting(factor_scores)rp_w=risk_parity_naive(None,factor_scores)ifmarket_dataisNoneelserisk_parity_naive(market_data['volatility_20d'])alpha=self.config.get('blend_alpha',0.7)# IC权重占比weights=alpha*ic_w+(1-alpha)*rp_w weights=weights/weights.sum()# 后处理：市值过滤与归一化ifmarket_dataisnotNone:# 剔除微盘股 (市值 < 20亿)large_cap_mask=market_data['market_cap']>2e9weights=weights[large_cap_mask]weights=weights/weights.sum()returnweights

本节总结：

• 等权是你的起跑线，简单可靠。

• IC加权是你的加速器，放大收益但也放大风险。

• 风险平价是你的安全带，在A股的颠簸路况中保护你不被甩下车。

下一步：确定了权重后，我们还需要解决如何在真实市场中买卖。下一节《6.2 组合优化：考虑换手、成本、约束下的均值-方差优化》将引入交易成本和实际约束，让你的策略从“纸上谈兵”走向“沙场实战”。