因子 Walk-Forward 检验工作流
因子 Walk-Forward 检验工作流
源自论文 Interpretable Hypothesis-Driven Trading (Deep et al., 2025)，提炼为国内量价因子入库的实操模板。
一、工作流总览
假设定义 → 特征构造 → Walk-Forward 切片 → 样本内训练 → 样本外测试 → 机制分层评估 → 摩擦扣减 → 入库/否决
每一步都强制信息集隔离，杜绝未来函数，目标是：不自欺欺人地拷问因子真实盈利能力。
二、8 步实操流程
Step 1：假设定义（Hypothesis Specification）
原则：每个因子必须对应一条可解释的经济逻辑，拒绝"先算再解释"。
输出清单：
- 因子名称 & 缩写（如
VOL_IMB= Volume Imbalance） - 经济假设（一句话）：例"大单净买入预示短期价格方向"
- 预期方向（正向/反向）
- 预期生效条件（如"高波动期"、"放量日"）
- 止盈/止损阈值（如 8% / 4%）
入库门槛：假设不清晰 → 直接否决，不做回测。
Step 2：特征构造（Feature Engineering）
核心规则：只用当期及历史数据，严禁任何前瞻窗口。
实操检查点：
| 检查项 | 说明 |
|---|---|
| 未来函数排查 | 确认计算窗口不含 T+1~T+N 数据 |
| 生存偏差 | 排除已退市/暂停上市股票（A股特有） |
| 加总粒度 | 日频因子需声明：是否可下沉至 tick/分钟级（如论文指出日频微观结构信号天然被平滑） |
| 缺失值处理 | 明确填充策略（前值/零/丢弃），不能事后根据表现选择 |
特征集规模建议：控制在 20~50 个，超过需先做冗余剔除（相关性 > 0.7 的同族因子只保留一个）。
Step 3：Walk-Forward 切片（数据切分）
论文硬核模板：252 天训练 + 63 天测试，步长 63 天。
针对 A 股的适配方案：
| 参数 | 论文原值 | A 股建议 | 说明 |
|---|---|---|---|
| 训练窗 | 252 天 | 250 天（约1年） | A 股一年约 250 交易日 |
| 测试窗 | 63 天 | 63 天（约1季度） | 与季度风格切换节奏匹配 |
| 步长 | 63 天 | 63 天 | 保证测试折之间零重叠 |
| 最小样本 | 10 年 | 5~8 年 | A 股历史较短，可适度压缩 |
绝对红线：
- 测试折之间 零重叠（步长 = 测试窗长度）
- 训练期与测试期之间 零重叠
- 不允许"训练期包含前一个测试折的数据"（即纯滚动，不做扩展窗）
生成切片后，统计总折数 K（5 年数据约 16~20 折），记录每折的起止日期。
Step 4：样本内训练（In-Sample Training）
每折独立训练，训练期数据仅限当前折的 252 天窗口。
训练内容：
- 因子信号统计：计算每个假设在训练期的胜率、期望收益、方差
- 机制标签：用训练期数据划分低波动/高波动子集（阈值：训练期波动率中位数）
- 仓位分配权重：基于训练期统计，为每个假设生成初始置信度权重
ε-greedy 策略（论文方法）：
- ε = 0.1（10% 随机探索，90% 按训练期最优假设行动）
- 每个测试折开始时，ε 值可从训练期末端胜率重新校准
简化替代方案（不使用 RL）：
- 直接按训练期 Sharpe 排序，取 Top-N 因子进入测试期
- 或按等权组合所有通过训练期 t 检验（p < 0.1）的因子
Step 5：样本外测试（Out-of-Sample Testing）
最关键的一步——所有"回测美颜"在此被挤干。
执行规则：
- 测试期 只读 训练期产出的权重/参数，不允许任何在线优化
- 每个测试折独立计算：累计收益、胜率、最大回撤、Sharpe
- 不做跨折参数平滑或重调
输出矩阵：
Fold | Period | Return | WinRate | MaxDD | Sharpe | Beta | Turnover
F01 | 2020Q1 | +0.8% | 44% | -1.2% | 0.45 | 0.03 | 12x
F02 | 2020Q2 | -0.3% | 38% | -2.1% | -0.18 | 0.05 | 15x
...
F34 | 2024Q4 | +1.1% | 46% | -0.9% | 0.72 | 0.02 | 10x
Step 6：机制分层评估（Regime-Conditional Evaluation）
论文核心发现：低波动期因子失效 ≠ 因子本身无用，而是机制不匹配。
分层方法：
- 按测试期波动率（或成交量）将各折分为 低波动 / 高波动 两组
- 分别统计两组的均值收益和 Sharpe
- 若高波动组 Sharpe > 0.5 且低波动组 Sharpe < 0，判定为机制依赖型因子
实操适配 A 股：
- 用万得全A 指数20日滚动波动率作为机制标签
- 或用全市场成交额相对120日均值的偏离度
- 高波动阈值：波动率 > 过去1年中位数 × 1.5
入库判定规则：
| 机制表现 | 判定 |
|---|---|
| 两组均 Sharpe > 0.3 | 全周期因子，可常驻 |
| 高波动 Sharpe > 0.5，低波动 < 0 | 机制依赖因子，仅在高波动期启用 |
| 两组均 Sharpe < 0 | 否决 |
Step 7：摩擦扣减（Transaction Cost Deduction）
论文标准：单笔 $1 固定佣金 + 5 bps 滑点。
A 股适配：
| 费用项 | 参数 | 说明 |
|---|---|---|
| 佣金 | 万1.5（双边） | 当前券商标准 |
| 印花税 | 千1（卖出单边） | 2023年减半后 |
| 滑点 | 5~10 bps | 视因子换手率调整 |
| 冲击成本 | 大单按 20 bps | 占流通市值 > 0.1% 的交易 |
红线：摩擦扣减后 Sharpe 仍 > 0.3 才考虑入库。换手率 > 20 倍/年的因子，即使扣减前 Sharpe 高，扣减后大概率废掉。
Step 8：入库/否决决策（Admit or Reject）
最终判定矩阵：
| 指标 | 门槛 | 权重 |
|---|---|---|
| 扣减后全周期 Sharpe | > 0.3 | 40% |
| 扣减后机制 Sharpe（最优机制） | > 0.5 | 30% |
| 最大回撤 | < 15% | 15% |
| Beta（对基准） | < 0.15 | 10% |
| 假设可解释性 | 明确 | 5% |
综合评分 > 60 分 → 入库，否则否决。
否决因子记录归档（假设 + 失败原因），避免未来重复测试相同逻辑。
三、A股落地建议清单
- 数据源下沉：日频微观结构因子天然吃亏，实操时应将数据源下沉至 Level-2 快照或分钟级，再聚合为日频信号
- 多空对冲测试：论文仅做多头，A股应补充 Long-Short 测试，消除 Beta 残留
- 退市股剔除：Walk-Forward 切片中必须排除已退市/ST 股票，防止幸存者偏差
- 涨跌停处理：涨停买不进、跌停卖不出，需在测试期模拟真实可执行性
- 风格轮动适配：A股风格切换周期约 1~2 季度，与 63 天测试窗天然匹配
四、快速参考：一页纸检查清单
□ 假设是否可解释？（一句话经济逻辑）
□ 特征是否含未来函数？（逐列检查计算窗口）
□ 切片是否零重叠？（步长 = 测试窗）
□ 测试期是否只读训练参数？（无在线优化）
□ 是否扣减了佣金+滑点+印花税？
□ 是否按机制分层评估？（低波动/高波动）
□ 是否做了多空对冲？（非纯多头）
□ 是否剔除了退市/ST 股？（防幸存者偏差）
□ 最终 Sharpe 扣减后是否 > 0.3？
□ 因子档案是否归档？（含否决原因）
源自 Deep et al. (2025) "Interpretable Hypothesis-Driven Trading"，由易斋
提炼为 A 股实操模板。
评论