时序因子回测 | 抹茶iswian的博客

单品种期货按信号分位数分层回测方法，滚动分位数分组与绩效评估

核心思路#

与多因子选股横截面分组不同，时序因子回测针对单个品种，按信号值的时间序列分位数分组，构建多空组合。

基本流程#

1
信号值 → 滚动分位数 → 分组标签 → 组内等权 → 组间绩效 → 多空组合

分组方法#

1. 固定阈值分组#

组别	阈值	含义
组1（多头）	信号 > 70%分位数	强信号
组2（中性）	30%~70%分位数	弱信号/无信号
组3（空头）	信号 < 30%分位数	负信号

缺点：市场结构变化会导致各组样本量不均

2. 滚动分位数分组（推荐）#

使用滚动窗口计算分位数阈值，适应非平稳市场：

1
def rolling_quantile_groups(signal, window=252, n_groups=5):
2
    """
3
    滚动分位数分组
4
    - signal: 时间序列信号
5
    - window: 滚动窗口
6
    - n_groups: 分组数 (默认5组)
7
    """
8
    quantiles = signal.rolling(window).quantile(
9
        [i/n_groups for i in range(1, n_groups)]
10
    )
11
    # 每组等量 -> 按滚动分位数分配标签
12
    groups = pd.DataFrame(index=signal.index)
13
    for i in range(n_groups):
14
        lower = quantiles.iloc[:, i-1] if i > 0 else -np.inf
15
        upper = quantiles.iloc[:, i]
16
        groups[f'G{i+1}'] = (signal >= lower) & (signal < upper)
17
    return groups

参数选择#

参数	推荐值	说明
滚动窗口	252天（1年）	足够长来稳定分位数，又足够短适应市场变化
分组数	3~5	3组（多/中/空）或 5组（分层更细）
最小样本	观察期≥60天	信号进入回测前需要预热期

绩效评估#

组内收益计算#

1
组收益_t = mean(品种收益_t × 信号组标签_{t-1})

用 t-1 信号 预测 t 收益
组内等权（时间序列上所有信号点均值）

多空组合#

1
多空收益 = Group1_收益 - GroupN_收益

其中 Group1 是信号最强的组，GroupN 是信号最弱的组。

统计指标#

指标	公式	阈值参考
年化收益率	mean × 252	> 10% 有实际意义
年化波动率	std × √252	< 20% 可接受
夏普比率	年化收益/年化波动	> 1.0 优秀，> 2.0 极好
最大回撤	peak-to-trough	< 15% 良好
胜率	正收益天数/总天数	> 55% 较稳定
盈亏比	平均盈利/平均亏损	> 1.5

分组单调性检验#

评估信号质量的关键指标——各组绩效应呈单调排列：

1
期望: G1 > G2 > G3 > G4 > G5
2
若 G3 > G2 或 G1 < G5 → 信号存在非线性问题

单调性度量：

Spearman相关系数：组序号与组收益的秩相关
Monotonic Ratio：相邻组方向一致的占比

完整回测框架示例#

1
import numpy as np
2
import pandas as pd
3

4
def timing_factor_backtest(price, signal, window=252, n_groups=5):
5
    """
6
    单品种时序因子回测
7

8
    Parameters
9
    ----------
10
    price : pd.Series
11
        期货价格序列（主连）
12
    signal : pd.Series
13
        信号序列（与price对齐）
14
    window : int
15
        滚动窗口
16
    n_groups : int
17
        分组数
18

19
    Returns
20
    -------
21
    results : dict
22
        各组的绩效统计
23
    """
24
    ret = price.pct_change()
25

26
    # 滚动分位数
27
    roll_quantiles = signal.rolling(window).quantile(
28
        [i/n_groups for i in range(1, n_groups)]
29
    )
30

31
    # 分组
32
    group_rets = pd.DataFrame(index=ret.index, columns=range(n_groups))
33
    for i in range(n_groups):
34
        lower = roll_quantiles.iloc[:, i-1] if i > 0 else -np.inf
35
        upper = roll_quantiles.iloc[:, i]
36
        mask = (signal >= lower) & (signal < upper)
37
        group_rets[i] = ret * mask.shift(1)
38

39
    # 绩效统计
40
    stats = {}
41
    for g in range(n_groups):
42
        g_ret = group_rets[g].dropna()
43
        stats[f'G{g+1}'] = {
44
            'ann_return': g_ret.mean() * 252,
45
            'ann_vol': g_ret.std() * np.sqrt(252),
46
            'sharpe': g_ret.mean() / g_ret.std() * np.sqrt(252),
47
            'win_rate': (g_ret > 0).mean(),
48
            'max_dd': (g_ret.cumsum() - g_ret.cumsum().cummax()).min()
49
        }
50

51
    # 多空组合
52
    ls_ret = group_rets[0] - group_rets[n_groups-1]
53
    stats['Long-Short'] = {
54
        'ann_return': ls_ret.mean() * 252,
55
        'ann_vol': ls_ret.std() * np.sqrt(252),
56
        'sharpe': ls_ret.mean() / ls_ret.std() * np.sqrt(252),
57
        'win_rate': (ls_ret > 0).mean(),
58
        'max_dd': (ls_ret.cumsum() - ls_ret.cumsum().cummax()).min()
59
    }
60

61
    return stats, group_rets

与截面因子回测的区别#

维度	时序因子回测	截面因子回测
标的	单一品种	多个品种/股票
分组依据	信号历史分位数	信号截面排序
收益来源	时间序列预测能力	横截面区分能力
统计检验	t检验（时序）	IC/IR（截面）
样本量	N天	N天 × M标的

注意事项#

过拟合防范#

信号构造参数不要在回测中反复调整
使用 walk-forward 验证（滚动优化+固定样本外）
区分样本内/样本外绩效

数据偏差#

前视偏差：确保信号只用历史数据
幸存者偏差：回测品种不应有退市选择（期货影响小）
流动性偏差：信号产生时对应合约应可交易

常见问题#

信号自相关高 → 实际交易次数少，t统计量失真 → 用Newey-West调整
收益非正态 → 夏普比率可能高估 → 补充最大回撤、Calmar比率
参数敏感性 → 对滚动窗口、分组数做敏感性分析