Skip to content

factors

Directory actions

More options

Directory actions

More options

Latest commit

 

History

History
 
 

factors

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
analysis
analysis
 
 
custom
custom
 
 
pricing
pricing
 
 
README.md
README.md
 
 
__init__.py
__init__.py
 
 

README.md

factors 统一因子库

完整的量化因子计算、分析和管理库。

📦 目录结构

factors/
├── __init__.py              # 统一接口（向后兼容）
├── pricing/                 # 定价因子模块
│   ├── fama_french.py      # Fama-French三因子/四因子
│   ├── beta_calc.py        # Beta系数计算
│   └── residuals.py        # 残差计算（待完善）
├── analysis/                # 因子分析模块
│   ├── ic_analyzer.py      # IC/IR分析
│   ├── group_backtest.py   # 分组回测
│   ├── performance.py      # 绩效评估（待完善）
│   └── visualization.py    # 可视化（待完善）
└── custom/                  # 自定义因子模块
    ├── small_cap_quality.py # 小市值质量因子
    ├── spec_vol.py         # 特质波动率（待完善）
    └── week_effect.py      # 周内效应（待完善）

🎯 核心功能

1. 定价因子（Pricing Factors）

基于Fama-French模型的标准定价因子。

使用示例：

from factors.pricing import FamaFrenchCalculator

# 创建计算器
calc = FamaFrenchCalculator(data_manager)

# 计算三因子
factors = calc.calculate_ff3_factors('2024-01-15')
# 返回: {'MKT': 0.0012, 'SMB': 0.0008, 'HML': -0.0005}

# 计算四因子（增加动量因子）
factors = calc.calculate_ff4_factors('2024-01-15')

2. Beta系数计算

计算个股对定价因子的敏感度。

from factors.pricing import BetaCalculator

calc = BetaCalculator(data_manager)

# 计算单只股票的Beta
beta = calc.calculate_stock_beta('000001.SZ', '2024-01-15', window=60)
# 返回: {'beta_mkt': 1.2, 'beta_smb': 0.5, 'beta_hml': -0.3, ...}

# 批量计算
beta_df = calc.batch_calculate_beta(stock_list, '2024-01-15')

3. IC/IR分析

评估因子预测能力的核心工具。

from factors.analysis import ICAnalyzer

analyzer = ICAnalyzer()

# 计算Rank IC（推荐）
ic_series = analyzer.calculate_rank_ic(factor_df, return_df)

# 计算IC统计
ic_stats = analyzer.calculate_ic_statistics(ic_series)
print(f"IC均值: {ic_stats['ic_mean']:.4f}")
print(f"IR: {ic_stats['ir']:.4f}")

# 计算IC半衰期
half_life = analyzer.ic_half_life(ic_series)
print(f"IC半衰期: {half_life['half_life']:.0f}天")

IC评价标准：

  • |IC| > 0.05 : 强预测能力
  • |IC| > 0.03 : 较强预测能力
  • IR > 1.0 : 优秀
  • IR > 0.5 : 良好

4. 分组回测

检验因子单调性的标准方法。

from factors.analysis import GroupBacktester

backtester = GroupBacktester(
    commission=0.00025,  # 万2.5手续费
    slippage=0.001       # 千一滑点
)

# 运行分组回测
result = backtester.run_group_backtest(
    factor_data=factor_df,
    price_data=price_df,
    n_groups=10,
    freq='monthly'
)

# 查看多空策略表现
print(result.summary['long_short'])

# 检验单调性
monotonicity = result.get_monotonicity_test()
print(f"单调性: {monotonicity['is_monotonic']}")
print(f"趋势: {monotonicity['trend']}")

5. 小市值质量因子

经典的多因子选股策略。

from factors.custom import SmallCapQualityFactor

factor = SmallCapQualityFactor()

# 计算单日因子
factor_df = factor.calculate('2024-01-15', data_manager)

# 因子逻辑：
# 1. 过滤：剔除创业板、科创板、ST、高价股
# 2. 筛选：ROE > 15% 且 ROA > 10%
# 3. 排序：因子值 = -(rank_mv + rank_pb) / 2
# 4. 选股：因子值最小的前20只股票

🔄 向后兼容

现有代码无需修改，可以直接使用：

# 仍然可以从easy_xt导入（向后兼容）
from easy_xt.factor_library import EasyFactor
from easy_xt.fundamental_enhanced import FundamentalAnalyzerEnhanced

# 或者从factors导入（推荐）
from factors import EasyFactor, FundamentalAnalyzerEnhanced

📊 因子列表

技术面因子（16个）

  • 动量：momentum_5d, momentum_10d, momentum_20d, momentum_60d
  • 波动率：volatility_20d, volatility_60d, volatility_120d
  • 技术指标：rsi, macd, kdj, atr, obv, bollinger
  • 量价：volume_ratio, turnover_rate, amplitude

基本面因子（14个）

  • 估值：price_to_ma20, price_to_ma60, price_percentile
  • 动量：momentum_20d, momentum_60d, rsi_14
  • 质量：price_cv_60d, trend_strength_60d
  • 流动性：avg_volume_5d, avg_volume_20d, turnover_5d

定价因子（9个）

  • FF三因子：MKT, SMB, HML
  • FF四因子：+ UMD
  • Beta系数：beta_mkt, beta_smb, beta_hml
  • 其他：residual, spec_vol

自定义因子（2个）

  • 小市值质量因子：f1_small_cap_quality
  • 特质波动率：spec_vol（待完善）

🚀 快速开始

安装依赖

pip install pandas numpy scipy statsmodels duckdb

测试模块

python test_factors.py

使用示例

import pandas as pd
from factors import FamaFrenchCalculator, ICAnalyzer, GroupBacktester

# 1. 计算定价因子
ff_calc = FamaFrenchCalculator(data_manager)
factors = ff_calc.calculate_ff3_factors('2024-01-15')

# 2. 评估因子预测能力
ic_analyzer = ICAnalyzer()
ic_series = ic_analyzer.calculate_rank_ic(factor_df, return_df)
ic_stats = ic_analyzer.calculate_ic_statistics(ic_series)

# 3. 分组回测
backtester = GroupBacktester(commission=0.00025)
result = backtester.run_group_backtest(factor_df, price_df)

# 4. 查看结果
print(f"IC均值: {ic_stats['ic_mean']:.4f}")
print(f"IR: {ic_stats['ir']:.4f}")
print(f"多空年化收益: {result.summary['long_short']['annual_return']:.2%}")

📖 参考资料

🔧 开发计划

已完成 ✅

  • Fama-French三因子/四因子计算
  • Beta系数计算
  • IC/IR分析
  • 分组回测
  • 小市值质量因子
  • 向后兼容easy_xt因子

待完善 🚧

  • 残差收益率计算
  • 特质波动率因子
  • 完整绩效评估
  • 可视化工具
  • 周内效应因子

📝 版本历史

v1.0.0 (2026-04-01)

  • ✨ 初始版本
  • ✨ 定价因子模块（FF三/四因子、Beta）
  • ✨ 因子分析模块（IC/IR、分组回测）
  • ✨ 自定义因子（小市值质量因子）
  • ✨ 向后兼容easy_xt

👥 作者

EasyXT团队

📄 许可证

MIT License