从QMT里跑出来一条净值曲线的那一刻，大多数人的第一反应是“真漂亮”，第二反应是“赶紧上实盘”。我在国金QMT上做因子研究这两三年，见过太多被曲线骗了的例子：回测年化30%以上，IC看着也不低，结果实盘跑两个月就不对味了。问题往往不在策略代码，而在因子本身的好坏没被看透。这篇主要想聊清楚一件事：在QMT里拿到一批因子数据之后，到底该用哪些维度、哪些指标去判断它值不值得继续投入，以及这些指标在实操里会在哪里踩坑。作为“上”篇，我先把评估框架和预测力、稳定性、收益结构这几块讲透。
1. 先搭好评估框架：因子收益率只是结果，不是标准
1.1 我在QMT里看到的第一批因子回测曲线
先说个当年的真实经历。我最早用QMT写了一个简单的动量因子：取过去20日收益率作为选股因子，按周调仓。回测曲线非常顺滑，三年复合收益接近40%，最大回撤也就8%左右。我当时差点就直接把它接进实盘，后来多看了一眼收益来源，发现这因子几乎是被两三只大牛股撑起来的：去掉它们之后，超额收益直接归零。
这就是因子评估里最容易被忽略的问题——你看到的总收益，不等于因子的真实预测能力。好的因子应该像一台稳定的印钞机，靠的是大面积的横截面预测，而不是靠个别股票的超额表现。所以在QMT里跑完一个因子，我第一件事从“看收益”改成“拆收益结构”。收益只是一系列决策的最后结果，真正需要拆开看的是这个因子在选股时是不是真的在“起作用”。
1.2 一个框架：预测力、稳定性、单调性、换手、容量
经过一段时间的踩坑，我把因子评估收敛成五个维度。每个维度解决一个具体问题：
- 预测力：这个因子对未来的收益到底有没有解释能力，代表性指标是IC和IR。
- 稳定性：这种解释能力是持续的还是某一小段时间运气好，看IC的波动和IR。
- 单调性：因子值从低到高分组后，各组收益是否呈单调递增或递减，还是说只有某一端有效。
- 换手率：要实现这个因子，每期需要交易多少，交易成本会把收益吃掉多少。
- 容量：因子能容纳多少资金而不明显衰减，涉及流动性和冲击成本。
这五个维度不是并列关系，而是层层筛选的关系：预测力不过关的因子，后续都不用看；预测力好但稳定性差的，要谨慎；预测力、稳定性都不错，但换手率极高的，实盘很难落地；容量太小的因子，只适合小资金自娱自乐。
我建议你在QMT里维护一个因子评估表，每次跑完新因子都往这几个维度里填数据。时间是检验因子的唯一标准，但表格可以让你在早期就淘汰掉大多数不达标的因子。
2. IC、RankIC、IR：三个核心预测力指标
2.1 IC和RankIC到底怎么算
IC是信息系数，简单说就是因子值与下期收益之间的截面相关系数。常见的有两种：Pearson IC和RankIC。Pearson IC直接算因子值和下期收益的皮尔逊相关系数，数值受极端值影响很大；RankIC则是先对因子值和下期收益分别排秩，再算秩相关系数（也就是斯皮尔曼相关），天然对极端值更稳健。实盘研究里我更常用RankIC，原因很朴素：QMT里的行情数据经常有涨跌停、停牌、极端波动，这些异常值会让Pearson IC在个别交易日里失真，而RankIC因为排了序，抗干扰能力强很多。
计算IC时最核心的步骤是数据对齐：T日截面上的因子值，要对应T+1期（或T+N期）的收益。这里最容易犯的错是用了同期数据，导致IC虚高。比如收盘后计算的因子值，必须匹配下一交易日的收益，而不是当天收盘到当天收盘的收益。
2.2 数据对齐：QMT因子评估里最常见的错误
我用QMT写因子计算时，第一次就栽在数据对齐上。当时在QMT里下载了日线行情，用当日收盘价计算因子，然后又用当日收盘价计算当日收益率去求相关性，结果IC高得离谱，0.15以上，后来才发现这是用了未来信息。
正确的做法是：T日因子值匹配T+1日收益率。用计算公式表达就是，在T日截面按因子值排序，看这个次序对T+1日收益的解释力。QMT下载的行情数据里，每根K线的时间戳是当根K线开始时间还是结束时间需要先确认清楚，这个细节直接决定对齐结果。以日线为例，ext数据通常对应全天行情，计算收益率时应该用次日开盘价或收盘价去做差分。我在本地计算时习惯单独维护一个交易日历，用trade_date字段做对齐，避免依赖行情数据本身的顺序。
2.3 IR：把IC均值除以波动
IC解决的是“有没有预测力”，但单看IC均值会误判。因为IC均值高，不代表IC在每一个时段都稳定。比如A因子IC均值0.08，但近两年有半年IC是负的；B因子IC均值0.06，但每个月都在0.03到0.09之间波动。实盘里B因子体验会远好于A因子，因为它能让你持续赚钱，而A因子在失效期会让你不断怀疑自己。
IR就是用来衡量这种稳定性的指标，等于IC均值除以IC标准差。当因子IR大于0.5时，算是不错；大于0.8时比较优秀；大于1.0则非常少见。你可以在QMT里写一个简单循环，按周或按月滚动计算IC，输出IC时间序列，再用mean() / std()算IR。手工用Excel也能算，但QMT的好处是可以批量处理几百个因子，生成对比表。
import pandas as pd import numpy as np # 假设 factor_df: 索引为日期，列为股票代码，值为因子值（已对齐） # 假设 ret_df: 索引为日期，列为股票代码，值为次日收益 # 以下计算每日RankIC def calc_rank_ic(factor_df, ret_df): dates = factor_df.index ic_list = [] for dt in dates: f = factor_df.loc[dt].dropna() r = ret_df.loc[dt].reindex(f.index).dropna() common = f.index.intersection(r.index) if len(common) < 5: continue ic = f[common].rank().corr(r[common].rank()) ic_list.append(ic) return pd.Series(ic_list, index=dates).dropna() # IR = mean(IC) / std(IC)3. 分组收益、多空组合与单调性：收益结构比总收益更重要
3.1 分位数分组怎么分
看完IC和IR，下一步是把因子值从小到大分成若干组，观察每组未来的平均收益。最常用的是五分组或十分组：按因子值排列，均匀分到5个桶里，分别计算每桶股票在下一周期的等权平均收益。如果因子有效，会看到第1组的平均收益明显低于第5组（或者反过来，取决于因子方向），且中间组的收益大致单调排列。
这个步骤在QMT里很好实现：下载全市场股票日线数据，计算因子值，再用pd.qcut分桶。需要注意边界问题：市值因子、估值因子这类低频因子，用十分组更容易看出单调性；而高频量价因子噪音大，五分组就够用。分组数越多，每桶股票数量越少，单只股票对组内收益影响越大，容易得到假单调。我一般要求每组至少保留50只股票，样本太少就不下结论。
3.2 多空组合：去掉beta之后还剩下什么
分组收益看的是绝对涨幅，而A股市场牛短熊长，多头组在牛市可能大涨，在熊市可能大亏。为了剥离市场整体涨跌的影响，通常会构建多空组合：买入因子值最高的一组，卖出因子值最低的一组，观察这个组合的收益。这个收益近似于纯因子收益，剔除了市场共性，更能反映因子的独立预测力。
不过A股做空的限制很多，个股融券成本高且券源不稳定，实际执行多空组合很困难。所以我把多空组合当作一个诊断工具，而不是实盘策略。诊断时看两件事：一是多空组合的年化收益是否为正，二是回撤是否可控。如果多头年化20%但空头年化-15%，多空组合年化只有5%，说明这个因子的收益很大程度来自市场端而不是选股端，实盘价值就要打折。
3.3 单调性检验与一位实盘者的判断标准
单调性反映因子的“内在逻辑”是否一致。很多因子五分组后，第1组和第5组收益差异很大，但中间第2、3、4组杂乱无章。这种因子在实盘里往往是“两头有效，中间随机”，你按因子值排序选股时，第2、3名的股票并没有明显优势，选股结果会很不稳定。真正质量高的因子，分组收益从低到高应当呈现清晰趋势，即使不是严格等比，也不应该出现中间组的收益倒挂。
实操中我会手动检查几组数字：第1组到第5组的收益差值、相邻组的胜率、以及多空组合的月度正收益比例。月度正收益比例这个指标很直观，它反映因子在多长的时间里是靠谱的。如果一个因子在20个月里只有8个月多头跑赢空头，那就算整体年化收益很高，我也倾向于降级处理。
4. 换手率、容量与交易成本：实盘前的三笔账
4.1 换手率：高IC因子的隐形杀手
在QMT回测里，IC和分组收益都不错的因子，往往一考虑手续费就崩掉。问题出在换手率。换手率的意思是每期调仓时，组合中有多大比例的仓位需要变动。一个周频调仓的因子，如果平均换手率50%，一年算下来持仓周转率约26倍，双边佣金加冲击成本合计按千分之二算，每年成本就要消耗5个点以上。很多alpha因子本身的年化超额也就8%到10%，成本直接吃掉一半。
所以在评估因子时，我会同步计算每期调仓换手率，并把交易成本显式写进回测。QMT的回测参数里可以设置佣金、滑点和印花税，建议不要用默认的零成本。我用过的经验数值是：佣金双边万三，滑点双边千一，印花税卖出千一，再叠加一个保守的冲击成本估算。这样跑出来的结果才接近实盘。
4.2 容量：因子能装下多少资金
容量是和换手率紧密相关的第二个问题。容量可以简单理解为：在这个资金量下，交易成本仍不会把alpha吃完。大盘股流动性好，容量高；小盘股冲击成本大，容量低。如果因子选出的股票集中在几十亿市值的小票上，资金一多就会被自己砸出成本。
我在给一个因子做容量测试时，会用QMT的盘口数据估算冲击成本：假设你需要在10分钟完成某个股票的调仓，查看这10分钟内该股票的历史成交量，再计算你的买入量占成交量的比例。超过1%就要警惕，超过2%基本要考虑放弃加大资金。这里分享一个经验：把因子持仓按市值分组拆一下，如果市值最低的20%持仓贡献了超过一半的收益，那这个因子的容量通常很不理想。
4.3 QMT回测里的撮合成本模拟
QMT自带的回测撮合方式主要有“按收盘价撮合”和“按下一根K线开盘价撮合”等。裸用收盘价撮合会严重低估成本，因为真实场景下你不可能在收盘价全部成交。我通常设置成“次日开盘价撮合”，再加上前面说的滑点。这背后的逻辑是：盘后能算出因子，次日开盘再买入，既避免用到未来信息，也更接近真实可执行情况。
如果因子是日内高频类型，还需要更细的撮合方式配合分钟级数据回测。QMT的行情接口支持分钟线数据，但分钟级回测的计算量会大很多。我一直建议做日频研究时，优先把撮合成本算保守一点，不要在前面预测力高估的基础上，又叠加撮合理想化，双重乐观很容易让你对因子的判断失真。
5. 过拟合与因子衰减：样本外和衰减曲线
5.1 样本外划分：滚动训练与事件节点
任何因子都可能在历史数据上表现好，但真正要评估的是样本外表现。我见过不少新手在QMT里把全部历史数据来回测，回测漂亮就直接用，这其实是典型的过拟合。正确的做法是划出一段样本外区间：比如前80%数据用来“观察”因子逻辑，后20%数据用来“验证”因子表现。但更稳妥的是滚动窗口：每半年重新计算一次因子IC，观察它是否随时间衰减或失效。
另外要注意一些事件节点：2020年之后市场风格切换比较频繁，如果因子在2015年到2019年表现极好，但在最近三年IC大幅下滑，那它很可能已经失效。这种趋势在QMT里跑IC时间序列时很容易看出来。我会设置一个简单的预警规则：当最近3个月的平均IC绝对值低于全历史平均IC的一半时，就把因子从实盘候选中剔除，重新回到底层数据里去找原因。
5.2 因子衰减曲线：预测力消失的速度
因子衰减曲线是另一个很实用的工具。它是这样画的：在T日计算因子值，然后分别计算T+1、T+2、T+3……T+10日的收益，将这些收益与T日因子值求相关系数（IC），画出IC随持有期变化的曲线。如果T+1日IC很高，但T+5日就接近零，说明因子预测力衰减很快，只适合短周期调仓；如果T+1到T+10都保持稳定，说明因子偏中低频，可以拉长持仓周期。
这个曲线直接决定了调仓频率的设计。一个短衰减因子，如果硬做成月度调仓，中间大量的预测信号都浪费了；一个长衰减因子，做成日频调仓则只会放大交易成本。在QMT里，衰减曲线可以用rolling的方式批量输出。我个人习惯给每个因子保存一张“IC衰减热力图”，横轴是调仓周期，纵轴是持有期，颜色越深的格子代表IC越高。热力图能帮你一眼看出某个因子适合什么周期。
5.3 QMT里的伪样本外与参数敏感性
严格意义上的样本外测试需要等到未来数据，但我们可以做“伪样本外”：把时间序列从中间切断，只在切点之前的数据上搜索因子参数，然后看这些参数在切点之后的表现。这个过程我会在QMT里自动化：固定几个关键参数范围，在切片区间里分别回测，记录参数在训练集和测试集的表现差异。如果测试集明显衰减，说明参数是过拟合出来的，而不是因子逻辑本身有效。
参数敏感性也是类似的思路：把因子的计算参数微调10%，比如回看天数从20天改成15天或25天，如果因子IC剧烈变化，说明它对参数极敏感，这样的因子在实盘里很容易因为行情形态变化而失效。参数敏感性分析不需要做太复杂，最简单的方式就是把参数设置成几档，跑一条IC折线，看它是不是一个平缓的高原而不是一个尖峰。
6. 在QMT里批量跑因子评估的落地经验
6.1 数据下载失败的几个常见原因
前面说的这些指标算起来不难，真正烦人的是QMT的数据准备环节。搜索“qmt如何下载因子数据”，你会看到大量提问。我自己在国金QMT里下载数据时经常遇到的问题有几个：
- QMT客户端未登录或登录状态过期：如果使用xtquant，必须先确保QMT客户端已经正常登录，否则数据接口调用会报错或返回空数据。
- 批量下载全市场数据时请求频率过高：一次拉取几千只股票的日线，容易触发接口限频，表现为部分股票数据缺失或下载失败。
- 本地内存不够：全市场几千只股票几年的分钟线，数据量很大，如果直接全载入内存，Python环境容易卡死。
- 代码写入路径没有权限：QMT内置Python环境的安装目录和用户目录权限不一致，下载缓存写不进去也会报失败。
针对这些问题，我的做法是不依赖QMT内置Python来做大批量因子计算，而是写一个独立的Python脚本，通过xtquant连接数据接口，分批次、按行业或者按天分段拉数据，存到本地数据库或parquet文件里。这样即使下载失败，也能定位到具体哪一段数据，然后增量重试。
6.2 自动登录、单线程限制与外部Python环境
有朋友经常问“国金证券qmt自动登录方式”怎么实现。QMT支持通过启动参数自动登录账号，但每个券商的实现细节略有不同，在国金QMT上我一般会先确认客户端是否开放了自动登录选项。如果只是个人研究，手动登录也够用；但如果是定时任务在凌晨批量下载数据、计算因子，自动登录就很有价值。思路是：在客户端启动参数里配置账号和密码，连上后由外部脚本通过xtquant检查连接状态，再做数据拉取。
另一个经常被吐槽的是“大qmt单线程”问题。QMT内置的Python环境在某些版本里是单线程的，你如果直接把多线程批量因子计算塞进去，CPU利用率上不去，速度很慢。我的解决办法是把计算量大的部分放在外部Python环境（比如Anaconda）里做，QMT只负责提供行情数据和交易接口。这样既绕开了单线程限制，也能用上numpy、pandas、scipy这些成熟库做复杂计算。
6.3 一个小脚本：每日因子快照与监控
从“评估一次因子”到“持续监控因子”，中间需要的是一套定时流程。我目前的做法是每天盘后先下载收盘数据，计算候选因子，然后自动把每日的IC、RankIC、分组收益录入一张评估表，形成因子的时间序列快照。这张表积累越久，你对因子的认知就越真实：它什么时候会失效、什么市场环境下表现好，都有数据可查，而不是凭感觉判断。
这个快照流程不必一开始就很复杂，最简单的版本就是：每天生成一个CSV文件，包含日期、因子名称、IC、RankIC、IR、换手率、各组收益。跑一个月后再回头看，哪些指标对实盘收益有指导性，哪些指标只是看着热闹，自然会有结论。QMT的定时任务可以用外部系统的计划任务调用Python脚本，配合自动登录，基本能做到无人值守。
我现在的习惯是：无论新因子回测多诱人，先放进监控表观察至少一个月，跑完样本外和衰减曲线再决定是否实盘。这几个月看下来，真正能留下的因子不多，但每一个都经得起拆解。对因子好坏的判断，说到底就是一层层拆掉运气和过拟合，看到它剩余的真实预测力。下一篇我会顺着这个框架往下聊，重点讲这些评估维度怎么转化成实际的选股组合和仓位管理，先把预测力真正变成账户里的收益。
