因子挖掘两条路：人工构造与机器搜索

因子从哪来？答案无非两条路：人想出来的，或者机器搜出来的。两条路的产出性质完全不同，需要配的检验标准也不同。

人工构造

从经济学或者行为逻辑出发：为什么这个指标该有效？比如"分析师一致预期上调说明有新增信息""应收账款突然增加可能是收入质量下降"。有了逻辑，再去找数据把它算出来。

优点是可解释。知道它为什么有效，就能判断它什么时候会失效——如果收益来自行为偏差，那就盯着这个偏差被套利的程度；如果来自风险补偿，就盯着风险还在不在。

缺点是覆盖有限。你能想到的组合，受限于你的经验、知识和想象力，而数据里的关系未必落在你想到的那几种形式里。

机器搜索

用遗传算法、符号回归这类方法，在公式空间里自动搜索：给定一批基础数据（价格、成交量、财务科目）和一批算子（加减乘除、排序、移动平均、相关系数），让算法组合出成千上万甚至上百万个候选公式，再按历史表现筛选。

优点是覆盖广。它能发现人想不到的组合形式，而且不知疲倦。

缺点极其明显——它把过拟合的风险放大到了极致。搜索上百万个公式，哪怕全是噪声，也必然有几十个在历史上表现漂亮，纯粹是运气好。如果直接把这些拿去用，几乎必然在实盘上失效。

所以机器搜索必须配更严的审判

多重检验校正。尝试次数越多，对显著性的要求就应该越高。试一百次里挑出来的好结果，和试三次里挑出来的好结果，可信度完全不同。记录自己到底试了多少个，而不是只记住成功的那一个。

严格的样本外。搜索阶段用一个时间段，检验阶段用完全没参与搜索的时间段，而且只能用一次。

要求可解释。把那些讲不出道理的公式筛掉。这一步看似保守，却能过滤掉大量纯噪声的结果——一个连"它可能在捕捉什么"都说不清的公式，凭什么相信它未来有效？

要求参数稳健。搜索出的公式往往带着精心挑选的参数，要检查参数在小范围内变动时结果是否稳定。

因子库的管理

不管因子从哪来，入库都要有档案：构造逻辑、数据来源、检验记录、失效判据、以及它与其他因子的相关性。

同时要控制因子库规模。因子不是越多越好——因子越多，多重检验问题越严重，维护成本也越高。不少团队的做法是设定入库门槛，并且定期清理长期失效的因子。

一句人话：机器搜索是个高产的提案者，不是决策者。它的产出必须经过比人工因子更严的审判，否则你只是在批量生产过拟合。

写在最后

既然说到自动搜索，就绕不开机器学习。下一篇讲它在量化里到底能做什么、不能做什么。