因子正交化

在量化内幕交易检测中，多种信号常存在隐性依赖关系。例如Form 4申报频率、内幕集中度指标和行业动量可能共同反映同一市场状况，导致信心评分冗余或虚高。因子正交化，通常通过Gram-Schmidt分解或主成分分析，将相关因子转化为无关的基底集合。这样可确保每个信号分量贡献独立解释力，而非放大共同的系统性暴露，对于在竞争激烈市场中实现稳健预测排序至关重要。

实务中，正交化应在归一化后、加权前进行，以确保因子暴露和信息系数反映真实的增量信号价值。这在内幕行为集中度评分中尤为重要，因为时间聚集和基于成交量的信号可能存在机械性关联。通过解耦这些分量，模型可防止虚假信心膨胀，并在不同市场状态下稳定回测命中率，尤其是在流动性低或波动率高、共线性风险突出的时期。