如何回测因子模型:2026 年指南
一份严谨、审慎的因子模型回测操作指南:时点一致数据、幸存者偏差处理、GRS 检验、最少观测数、EW 与 RP 加权,以及夏普比率+信息比率综合排名。
类别:因子研究
回测因子模型真正需要什么
回测因子模型,是衡量某一因子的溢价能否经受严格检验。构建时点一致(point-in-time)且已处理幸存者偏差的收益;形成多头策略组合(sleeve);以 GRS 检验进行联合显著性检验;执行最少观测数门槛;比较等权与风险平价加权;然后按超额夏普比率与信息比率的综合得分对策略组合排名。引用 SurgeFlow 自身的第一阶段结果时,请注明其为 research_backtest_insample——属于样本内因子归因分解,而非实盘样本外业绩记录;GRS 检验和诊断仅作报告,不用作组合剔除闸门。
大多数散户回测跳过了完整性闸门,报告出一个好看的数字。它们“发现”的溢价通常是前视偏差(look-ahead bias)、已消亡公司被悄然剔出样本,或观测数过少而无法区分能力与噪声所造成的假象。一个站得住脚的回测,主要在于底层工序:在计算任何收益之前,先把数据和闸门做对。本页其余部分将逐一介绍这些工序及其背后的公式,然后展示 SurgeFlow Factor Backtest V2 的一个实例。
散户回测跳过的完整性闸门
四道闸门承担了大部分工作,每一道都能单独淘汰大量粗糙结果。
时点一致数据:在某一日期用于给股票排名的每项输入,都必须在该日期已可获知。基本面数据带有申报或发布日期,而不仅是财务期间日期,因此 1 月的盈利能力或价值排名不能暗中使用 3 月才发布的数据。违反这一点是回测业绩虚高最常见的来源。
幸存者偏差处理:每个历史日期的股票池都必须包含后来退市、被合并或破产的公司。如果只回测今天的幸存者,就恰好剔除了那些造成损失的股票,结果在构造上即向上偏误。
最少观测数:在短窗口内计算的夏普比率大多是抽样噪声。为每个策略组合的收益观测数设定下限,可以避免存续期短或覆盖稀疏的策略组合与历史较长的策略组合在同等基础上排名。
GRS 检验:当模型包含多个因子和多个测试组合时,需要对定价误差(alpha)是否联合为零进行联合检验,而不是挑选单个 t 统计量。
- 时点一致的输入以申报/发布日期为准,而非财务期间日期 - 每个历史日期的股票池均包含已退市和被合并的股票 - 在对任何策略组合排名之前设定最少观测数门槛 - 采用联合 GRS 检验,而非单个人为挑选的 t 统计量
研究方法与公式
因子收益与横截面定价。Fama-MacBeth(1973)是标准的两步法:每期将收益率对因子暴露做横截面回归,再对逐期斜率估计值取均值,得到因子溢价及其时间序列标准误。SurgeFlow 的因子层遵循 Fama-French 风格构建(SMB 规模、HML 价值、RMW 盈利能力、CMA 投资、WML 动量、LIQ 流动性),并生成日度因子收益。
联合显著性:GRS 检验。Gibbons, Ross & Shanken(1989)统计量检验一组资产对因子回归所得的截距(alpha)是否联合为零。一个能很好解释收益的模型,应使所有测试资产的 alpha 同时在统计上与零无显著差异;GRS 检验即是将这一点形式化的 F 检验。
加权:EW 与 RP。等权(EW)为策略组合中每只股票分配相同的名义金额。风险平价(RP)则调整各持仓规模,使各股票贡献大致相等的风险,从而降低波动最大的成分股的权重。RP 往往能改善风险调整后指标,正是因为它避免了少数高波动股票主导策略组合的方差。
排名:z 分数综合。为在多个维度上比较策略组合,将各指标在策略组合间标准化为 z 分数后加以混合。SurgeFlow 按 0.5*z(Sharpe) + 0.5*z(InformationRatio) 的 argmax 对美国策略组合排名,其中夏普比率采用超额收益,信息比率相对于基准年化。这一方法奖励在绝对风险调整后收益和相对基准的一致性两方面都表现强劲的策略组合,而不仅是其中之一。
实例:WML+RMW Top-30 RP 排名第一者
SurgeFlow Factor Backtest V2 在 EW 和 RP 两种加权方式下运行单因子和组合因子的多头策略组合,报告每个策略组合的超额夏普比率、年化信息比率、最大回撤、换手率及观测数。每个策略组合均附有数据质量检查和诊断:时点一致控制、幸存者偏差处理、最少观测数状态以及 GRS 检验。GRS 仅作为诊断报告,不用作剔除策略组合的闸门;当前第一阶段运行为 research_backtest_insample,而非实盘样本外滚动信号证据。
在综合排名下,当前美国排名第一的是 WML+RMW Top-30 风险平价策略组合,计算区间约为十年。它按超额夏普比率和信息比率均排名第 1,这正是它能在综合排名中胜出、而非在一项指标上领先而在另一项上落后的原因。我们刻意不在此引用其夏普值或溢价的固定数字;这些数值是实时的,随数据变动。请在 /backtesting 查看当前策略组合表及各项指标,在 /factors 查看底层因子模型。
所用的 SurgeFlow 数据
这一方法论运行于 SurgeFlow 的多市场股票研究数据之上,而非任何投资顾问产品。因子层按 Fama-French 风格构建(SMB、HML、RMW、CMA、WML、LIQ),提供日度因子收益、拦截不可发布因子的发布闸门、有效方向解析器以及 VIF 多重共线性诊断。Factor Backtest V2 使用该因子层构建 EW 和 RP 策略组合,并报告上述数据质量闸门和诊断。
底层价格与基本面数据覆盖四个市场,来源均有文档记载:美国为 FMP;中国 A 股和香港为 Tushare;日本为 J-Quants 加 EDINET 大量持股报告。SEC EDGAR 13F 申报为美国机构持仓提供数据。上述实例为美国策略组合;覆盖范围与模型成熟度因市场而异。 - 因子层:SMB、HML、RMW、CMA、WML、LIQ,提供日度收益及发布闸门 - Backtest V2:EW + RP 策略组合;数据质量闸门 = 时点一致 / 幸存者偏差处理 / 最少观测数;GRS + 诊断仅作报告,不作闸门 - 来源:FMP(美国)、Tushare(中国/香港)、J-Quants+EDINET(日本)、SEC 13F(美国)
跨市场注意事项
在一个市场有效的因子模型不会自动适用于另一个市场。学术文献对此有明确记载:就中国 A 股而言,Liu, Stambaugh and Yuan(2019, 'Size and value in China', Journal of Financial Economics)记载规模和价值溢价显著,而价格动量较弱或不存在,并因借壳上市造成的扭曲,建议剔除规模最小的壳股样本组。因此,在美国经过验证的动量策略组合,在未经其自身带闸门的回测之前,不应假定在中国同样成立。
本资源属于数据科学与方法论资料,并非投资建议。此处任何内容均不构成买入、卖出或持有任何证券的推荐,任何结果都不应被理解为预测。因子回测的客观产出,是一个附带置信区间的测量结果以及其所依赖的假设清单,而非预测。
使用免费 API 自行运行
您可以基于实时数据复现这一工作流程。免费公开 API 覆盖全部四个市场,每日 2,000 次请求,提供 realtime、screen 和 hotlist 端点以及 summary 路由,OpenAPI 规范位于 /api/public/openapi.json,AI 索引位于 /llms.txt。请在 /account 创建免费 API 密钥,并在 /membership/api 打开实时控制台,然后在 /backtesting 查看当前策略组合排名,在 /factors 查看为其提供输入的因子模型。先从美国排名第一者入手,再在已知溢价存在差异的市场上重新运行同样的闸门。
参考文献与延伸阅读
上述论述所依据的原始文献、学术文献及 SurgeFlow 数据参考: - Fama, E. F., & MacBeth, J. D. (1973). Risk, return, and equilibrium: Empirical tests. Journal of Political Economy. - Gibbons, M. R., Ross, S. A., & Shanken, J. (1989). A test of the efficiency of a given portfolio. Econometrica. - Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics. - Liu, J., Stambaugh, R. F., & Yuan, Y. (2019). Size and value in China. Journal of Financial Economics.