量化选股学习笔记（六）：在月度数据上重做单因子研究
用自己搭的月度数据（2021–2026），把阶段一的单因子研究完整重做一遍：18 个因子的 IC、Newey-West t 值、分五组收益、交易成本和信号衰减。阶段一的结论基本成立，但收益分布是“悬崖”而不是“阶梯”，快信号被交易成本吃光，我对 t 值的预测也错了。
这是我学习量化选股的第六篇笔记。上一篇用 Ken French 的因子“对答案”，证明了自己搭的月度数据可信。这一篇回到研究本身：在新数据上，把阶段一的单因子研究完整重做一遍。代码仍然由 Claude Code 编写，我负责提问、读代码和决定方向。
本文是学习记录，不构成任何投资建议。
2026-10-23 更新：做到第九篇时发现市值数据有一个错误（见第四篇第七课的最后），修正后重跑了全部结果，本文的数字和图已经更新。变化最大的是第四课：原来的例子（账面市值比）大部分是这个错误造成的，换成了资产增长。
为什么不直接做多因子
原计划是这一步直接做多因子合成和机器学习。但我想了一下：阶段一是先研究单因子（第一篇），再做行业中性化（第二篇），最后才合成多因子（第三篇）。现在数据从“Kaggle 年度数据”换成了“月度数据、包含退市公司、财报公布之后才能用”，单因子的结论还成不成立，应该先检查一遍。
之前其实只做过一次“体检”（算了每个因子的 IC），没有分组收益、交易成本、信号衰减这些。于是把路线拆成了两步：这一步单因子，下一步再做多因子和机器学习。
研究对象是 18 个因子：阶段一的 16 个，加上第五篇用日线算的低波动、单日最大涨幅。时间是 2021 年 1 月到 2026 年 8 月，共 68 个月，平均每月约 4,000 家公司。
第一课：阶段一的排序基本成立
先看最基础的指标：行业内 Rank IC，也就是在每个行业内部，因子排名和下个月收益排名的相关系数。
浅蓝色（预测下个月）和灰色（阶段一，预测下一年）的排序几乎一样：
- 盈利五兄弟（投入资本回报率、ROA、盈利收益率、自由现金流率、是否盈利）仍然是最前面的一组，IC 在 +0.079 到 +0.086 之间，6 年每年都为正。
- 少增发、股息率紧随其后。
- 账面市值比、资产增长仍然 ≈ 0。
- 规模和杠杆仍然是“反方向”：大公司、高杠杆的公司表现更好，和教科书相反。规模在 6 年里每一年都是大公司赢。
换了数据源、换了频率、换了时间段，结论基本不变，这是最好的样本外验证。
新的第一名是低波动（+0.101），第二名是单日最大涨幅（+0.086），都是阶段一没有日线数据、算不出来的信号。
变化最大的是 Altman Z：阶段一它是最稳的因子之一（+0.121），这次只有 +0.032，2021 年是负的，去掉微型股后也是负的（−0.009）。它现在只能说明“哪些小公司快不行了”。
第二课：我对 t 值的预测错了
月度数据有个常见的担心：基本面数据一个季度才更新一次，这个月和下个月的因子几乎一样，所以相邻月份的 IC 应该是相关的。如果把 68 个月当成 68 个独立样本，t 值就会被高估。
学术界的标准修正方法是 Newey-West（1987）：算标准误时，把“这个月和前几个月的相关性”也加进去。相邻月份正相关时，t 值会变小。我原本预测修正后 t 值会明显下降。
结果，大部分因子的 t 值几乎没变，有的反而更大：
| 因子 | IC 的自相关 | 普通 t 值 | Newey-West t 值 |
|---|---|---|---|
| ROA | −0.02 | 7.2 | 9.2 |
| 低波动 | −0.01 | 5.6 | 6.4 |
| Altman Z | +0.21 | 3.3 | 2.9 |
| 规模 | −0.23 | −6.8 | −10.0 |
原因是我把两件事混在了一起。因子的值确实变化很慢，但 IC 衡量的是因子和下个月收益的关系，而每个月的收益都是新的。所以这个月 IC 高，并不意味着下个月 IC 也高：18 个因子平均的自相关只有 +0.03。只有少数因子（Altman Z、资产增长、杠杆）的 IC 有黏性，修正后 t 值确实变小了。
那 Newey-West 什么时候真正有用？下面第五课会看到。
第三课：不是阶梯，是悬崖
IC 只说明“排名越靠前，收益越高”的趋势有多强。更直观的做法是分组：每个月在每个行业内部，按因子把股票分成五组，Q5 是理论上最好的一组，每组等权持有一个月。
左图是 ROA 和低波动：Q1 每月比平均差 1.1% 左右，Q2 到 Q5 之间几乎没有差别。几乎所有有效因子都是这个形状。这和阶段一的发现一致：第一篇发现信号几乎全部来自最差的那 20%，第三篇发现最差的一组像一堆彩票。因子最大的作用是告诉你该避开哪些股票。
这带来一个现实问题：ROA 的多空收益（Q5 − Q1，每月 +1.40%）里，大约 3/4 来自做空 Q1。而 Q1 里大多是微型股，正是最难借到、借券费最高的股票。去掉市值 3 亿美元以下的公司后，多空收益大约减半，ROA 只剩约 1/3。
第四课：均值和中位数，分出两类因子
右图是资产增长（越慢越好）。按均值看，资产增长最快的一组（Q1）明显最差，多空每月 +0.85%，t 值 2.8。按中位数看，Q1 和 Q5 都是负的，多空只有 +0.10%。
也就是说，大部分资产增长慢的股票并没有跑赢，平均值是被少数暴涨的股票拉上去的。这也解释了一个矛盾：为什么它的多空收益“显著”，IC 却 ≈ 0？因为 IC 看的是排名，更接近中位数。
这一课原来的例子是账面市值比：修正市值之前，它的均值多空有 +1.15%（t 3.7），中位数只有 +0.18%。修正之后，均值也只剩 +0.38%（t 1.2）。原来的价差，大部分来自市值被放大、因而看起来“很贵”的仙股，它们后来大跌，拉低了“最贵”那一组的平均。这本身就是这一课的例子：均值很容易被少数几只股票带偏，这次带偏它的是数据错误。
| 因子 | 均值多空（%/月） | 中位数多空（%/月） | 说明 |
|---|---|---|---|
| 低波动 | +1.34 | +4.13 | 典型的高波动股票都在亏，普遍现象 |
| ROA | +1.40 | +3.15 | 同上 |
| 资产增长 | +0.85 | +0.10 | 靠少数暴涨的股票 |
| 小市值 | −0.71 | −2.51 | 典型的小公司每月比大公司差约 2.5% |
中位数比均值大的因子是稳健的，因为大多数股票都符合这个规律；只有均值、没有中位数的因子，靠的是少数几只股票，很难复制。
第五课：交易成本把快信号吃光了
月度数据可以每月调仓，但每次调仓都要付成本。按第三篇的假设计算：单边成本从大公司的 0.05% 到微型股的 1.5%，另外做空每年付 2% 借券费。
- 基本面因子换手很慢：每月只换掉 5% 到 10% 的股票，一只股票平均在组合里待 1 到 2 年，成本约 0.25%/月。扣完成本，ROA 多空每月仍有 +1.04%（Sharpe 0.78），不过单独看 t 值只有 2.1，刚刚过线。
- 单日最大涨幅：IC 排第二，但它每月要换掉一半以上的股票，成本把收益全吃光了，扣成本后每月还小亏 0.2%。
- 短期反转：每月换 77%，扣成本后每月亏 2.2%。
- 动量：每月换 24%，扣成本后只剩 +0.12%，完全不显著（t 0.3）。
IC 高还不够，信号得撑得过交易成本。Novy-Marx 和 Velikov（2016）系统地研究过这个问题：换手率高的异象，扣掉交易成本后大多不赚钱。
不过这些数字仍然偏乐观：做空的大多是微型股，2% 的借券费偏低，有些股票根本借不到。
第六课：信号能管多久
既然调仓有成本，下一个问题就是：能不能少调几次？如果用半年前的因子值，预测力还剩多少？
- 财报信号衰减得非常慢：6 个月前的 ROA 仍然保留 94% 的 IC，12 个月前的还有 92%。每月调仓几乎没有额外好处。
- 低波动也慢，6 个月后保留 85%。
- 单日最大涨幅衰减得快一些，但 3 个月前的值仍有 +0.072，保留 84%。如果改成按季度调仓，成本能降到约 1/3，它也许就能撑过交易成本。这是下一步要验证的。
再换一个角度：不是用旧信号预测下个月，而是用今天的信号预测未来 3、6、12 个月的累计收益。
| 预测周期 | IC 的平均自相关 | 盈利收益率：普通 t 值 | Newey-West t 值 |
|---|---|---|---|
| 1 个月 | +0.03 | 7.7 | 9.4 |
| 3 个月 | +0.59 | 12.8 | 9.8 |
| 6 个月 | +0.74 | 20.8 | 12.3 |
| 12 个月 | +0.85 | 30.2 | 12.5 |
这才是 Newey-West 真正起作用的地方。预测 12 个月时，这个月的窗口和下个月的窗口有 11 个月重叠，IC 当然高度相关，普通 t 值会严重夸大。最明显的是 Altman Z：预测 12 个月时普通 t 值 5.0，看起来很显著，Newey-West 修正后只有 1.8，其实不显著。
而且即使修正了，结果也仍然偏乐观：57 个互相重叠的 12 个月窗口，加起来不到 5 个独立的年份。
还有一个发现：IC 会随预测周期变大。投入资本回报率预测 1 个月是 0.085，预测 12 个月是 0.182，比阶段一（预测下一年）的 0.153 还高。所以第一课里“月度 IC 只有阶段一的 2/3”，是因为预测周期不同，并不是信号变弱了。
成绩单
| 结论 | 因子 |
|---|---|
| ✅ 可靠：强、每年有效、交易便宜 | 盈利五兄弟、少增发、低波动（新） |
| 🟡 有条件 | 单日最大涨幅（要放慢调仓）、动量（主要在小公司有效）、股息率（其实只区分“分不分红”）、毛利率（偏弱）、市销率（主要靠 2021 年） |
| 🔄 变了 | Altman Z：从阶段一最稳的因子之一，变成只在微型股里有效 |
| ❌ 两个阶段都无效 | 账面市值比、资产增长、短期反转 |
| ↔ 两个阶段都和教科书相反 | 规模、杠杆 |
大约 10 个因子值得带进下一步的多因子合成。
和学界的对照
- 盈利类因子（Novy-Marx 2013；Fama 和 French 2015）和低波动异象（Ang 等 2006）在 2021–2026 年依然成立，而且按市值加权时仍有每月 +1.2% 到 +1.6%，说明在大公司里也成立。
- 价值因子按市值加权后几乎消失。Hou、Xue 和 Zhang（2020）复现了几百个异象，发现很多异象主要来自微型股，控制住微型股的影响后就不显著了。我们的结果是同一个现象。
- 规模效应（Banz 1981）在这几年完全反过来：大公司每年都跑赢小公司。
- 高换手的异象扛不住交易成本（Novy-Marx 和 Velikov 2016），单日最大涨幅和短期反转就是例子。
踩过的坑
- 并列排名，第四次了：57% 的公司股息率是 0，“是否盈利”只有 0 和 1，分出来的“五组”大小在 5% 到 35% 之间，根本不是五等分。这两个因子只能看 IC，不能看分组。第一篇（不分红的公司被拆到不同组）、第二篇（整个行业的值都一样）、第五篇（t 值 110 的假信号）都遇到过并列排名的问题，这次在分组的代码里又出现了一次。
- 我的预测又错了：我以为月度 IC 的 t 值会偏高，结果没有。因子值变化慢，不代表 IC 有自相关。Newey-West 真正起作用的是收益窗口重叠的时候。
- 起点会影响结果：2021 年 1 月是 meme 股行情，垃圾股暴涨，ROA 多空单月亏了 5.1%。从 1 月开始算和从 2 月开始算，平均收益差了 0.10%。
下一步
单因子的成绩单出来了，下一步终于是多因子合成和机器学习：把大约 10 个有效因子合成一个分数，比较等权、IC 加权、Ridge 和 LightGBM 四种方法，用 walk-forward 和 purge/embargo 防止模型偷看未来。这一篇还给下一步留了一个新问题：调仓频率。大部分信号衰减很慢，每月调仓未必是最好的选择。