用 gs-quant 算出因子还能撑多久：IC 半衰期实战指南-平芜编程栈

用 gs-quant 算出因子还能撑多久：IC 半衰期实战指南

【免费下载链接】gs-quantPython toolkit for quantitative finance项目地址: https://gitcode.com/GitHub_Trending/gs/gs-quant

上周组里刚评完一批候选因子，紧接着就有人追问：动量因子按月调仓够不够？它的因子有效性还能"撑"多久？这正是 IC 半衰期要回答的问题。拿 gs-quant 的风险模型和时序工具走一遍，二十分钟就能把答案算出来。

🔋 先说人话：IC 和半衰期在衡量什么

打个比方，因子就像一块给策略供电的电池。IC（信息系数）就是它此刻的输出电流——每个交易日，因子暴露对下期收益的预测有多准。电流强，预测可信；电流掉到 0.05 以下，基本等于没在供电。

电池的电还会随时间漏掉，漏到只剩一半要多久？这就是半衰期。假设因子 IC 按指数规律衰减：$IC(t) = IC_0 e^{-\lambda t}$，那么半衰期 $t_{1/2} = \ln 2 / \lambda$。用大白话拆一下符号：$IC_0$ 是初始电量，$\lambda$ 是漏电速度，漏电越快，因子越"不耐放"。

数据侧，因子暴露由风险模型提供，gs_quant/markets/factor.py 里的 Factor 类负责把模型中的因子取出来。说白了，半衰期就是因子有效性的保质期，它直接框定了调仓频率的上限：保质期 21 个交易日的因子，按月调仓大致刚好，按周调仓多半是白花钱。

三步把半衰期算出来

整条链路就三件事：数据拿进来、IC 序列滚出来、衰减参数解出来。

1. 加载因子暴露与收益数据

先回答"数据从哪来"：Marquee 这类风险模型，暴露和收益都能直接取。

import datetime as dt from gs_quant.models.risk_model import FactorRiskModel # 用模型 ID 取模型对象（按实际权限替换） model = FactorRiskModel.get("MODEL_ID") # 取一段区间内的因子数据，并带上因子收益曲线 factor_perf = model.get_factor_data( start_date=dt.date(2022, 1, 1), end_date=dt.date(2024, 12, 31), include_performance_curve=True, )

个股维度的暴露可用 get_universe_exposure 批量取，单名收益用 get_daily_return，入口都集中在 gs_quant/models/risk_model.py。

2. 滚动计算 IC 序列

这一步把"预测力"变成一个随时间走的序列。

from gs_quant.timeseries import correlation # exposure_ret：当日因子暴露收益；next_ret：下期组合收益 # w=60 表示 60 个交易日滚动窗口；若输入的是收益序列， # 用 SeriesType.RETURNS 显式声明，别让它当价格再求一次收益 ic = correlation(exposure_ret, next_ret, w=60)

correlation 定义在 gs_quant/timeseries/econometrics.py，窗口参数 w 支持 Window 对象，前 N 天可设 ramp-up，避开冷启动带来的噪声。

3. 拟合衰减系数，解出半衰期

把干净的 IC 点拟合成一条指数曲线，λ 一出来，半衰期就是道算术题。

import numpy as np from scipy.optimize import curve_fit def exp_decay(t, ic0, lam): # 指数衰减模板：ic0 初始值，lam 衰减速度 return ic0 * np.exp(-lam * t) clean = ic.dropna() t = np.arange(len(clean)) (ic0, lam), _ = curve_fit(exp_decay, t, clean.values, p0=[clean.iloc[0], 0.05]) half_life = np.log(2) / lam # 半衰期 = ln2 ÷ 衰减速度 print(f"拟合半衰期约 {half_life:.0f} 个交易日")

p0 一定要给初值：ic0 用首值、lam 给个小正数，能明显降低拟合跑飞的概率。

📈 结果怎么读：只盯两个数字

画图只是把两条曲线叠在一起：实线是滚动 IC，虚线是拟合的 IC 衰减曲线。

import matplotlib.pyplot as plt plt.plot(clean.index, clean, label="滚动 IC") plt.plot(t, exp_decay(t, ic0, lam), "r--", label=f"拟合 半衰期 {half_life:.0f} 天") plt.legend() plt.show()

看完图，真正要带走的是两个数。