# 数据说明
| 因子数据 | 解释 |
|---|---|
| 风格因子暴露度 | 个股对于特定风格因子的风险暴露。 暴露度绝对值越大,则投资组合表现对因子表现变化越敏感。 可用于投资组合风格评估、风险敞口管理等。部分风格因子由多个细分风格因子组合而成。 |
| 细分风格因子暴露度 | 个股对细分风格因子的风险暴露。细分风格因子表示某一类风格中的细分风险维度，用户可根据实际投资研究需求， 使用细分风格因子代替风格因子。 |
| 个股对指数贝塔 | 个股对指数（上证 50、沪深 300、中证 500 等）的原始贝塔值（未进行标准化， 因此区别于贝塔因子） ， 可用于指数跟踪或贝塔中性处理。 |
| 因子收益率 | 因子在给定股票池产生的超额收益。 目前提供全市场、沪深 300、中证 500、 中证 800 四个股票池的因子收益。 用户可根据实际投资研究中所使用的股票池，选择相应的因子收益进行风格追踪和构建指数增强策略。 |
| 特异收益率 | 个股收益中无法被因子解释的部分。 例如上市公司出现高管人员变动， 可能引起股价剧烈波动，产生较大的特异收益。 此时上市公司股价主要由消息面驱动，而与其所处行业、基本面、 及市场行情相关性较低。 |
| 因子协方差 | 投资组合风险中能被因子解释的系统性风险部分。 目前提供日度、月度、季度三套不同预测期限的风险模型，适用于不同调仓频率的交易策略。 |
| 特异风险 | 投资组合风险中不能被因子解释的，与个股自身特殊因素相关的部分（见上述特异收益率解释） 。 目前提供日度、月度、季度三个不同预测期限的风险模型，适用于不同调仓频率的交易策略。 |
# get_factor_exposure - 获取一组股票的因子暴露度
get_factor_exposure(order_book_ids, start_date, end_date, factors = None,industry_mapping = True )
# 参数
| 参数 | 类型 | 解释 |
|---|---|---|
| order_book_ids | str or list of str | 证券代码（例如： '600705.XSHG'） |
| start_date | str | 开始日期（例如： '2017-03-03'） |
| end_date | str | 结束日期（例如： '2017-03-20'） |
| factors | None or list of str | 因子。默认获取全部风格因子暴露度（ None）。 风格因子、行业因子和市场联动字段名称见表 1和 表 2 |
| industry_mapping | boolean | 是否按 2021 年后行业分类标准计算行业暴露度。默认为 True。若取值为 False，则 2021 年 01 月 21 日之前的行业暴露度按 2014 行业分类标准计算 |
# 返回
MultiIndex 的 pandas.DataFrame
index 第一个 level 为 order_book_id，第二个 level 为 date， columns 为因子字段名称。
# 范例
- 获取单一股票的因子暴露度
In [24]: get_factor_exposure('600705.XSHG','20170302','20170307',factors=None,industry_mapping=True )
Out[24]:
beta book_to_price earnings_yield growth leverage liquidity momentum ... 计算机 传媒 通信 银行 非银金融 汽车 机械设备
date order_book_id ...
2017-03-02 600705.XSHG 0.016228 0.934170 1.312494 -1.921347 2.281314 -0.294176 -0.761677 ... 0 0 0 0 1 0 0
2017-03-03 600705.XSHG 0.012569 0.941097 1.311907 -1.921891 2.284648 -0.323958 -0.703353 ... 0 0 0 0 1 0 0
2017-03-06 600705.XSHG -0.039251 0.940439 1.331196 -1.921235 2.288888 -0.354129 -0.734056 ... 0 0 0 0 1 0 0
2017-03-07 600705.XSHG -0.002034 0.999407 1.324696 -2.029156 2.383384 -0.307625 -0.783239 ... 0 0 0 0 1 0 0
- 获取多股票的因子暴露度
In [21]: get_factor_exposure(['600705.XSHG','601600.XSHG'],'20170302','20170307',factors=None,industry_mapping=True )
Out[21]:
beta book_to_price earnings_yield growth leverage liquidity momentum ... 计算机 传媒 通信 银行 非银金融 汽车 机械设备
date order_book_id ...
2017-03-02 600705.XSHG 0.016228 0.934170 1.312494 -1.921347 2.281314 -0.294176 -0.761677 ... 0 0 0 0 1 0 0
2017-03-03 600705.XSHG 0.012569 0.941097 1.311907 -1.921891 2.284648 -0.323958 -0.703353 ... 0 0 0 0 1 0 0
2017-03-06 600705.XSHG -0.039251 0.940439 1.331196 -1.921235 2.288888 -0.354129 -0.734056 ... 0 0 0 0 1 0 0
2017-03-07 600705.XSHG -0.002034 0.999407 1.324696 -2.029156 2.383384 -0.307625 -0.783239 ... 0 0 0 0 1 0 0
2017-03-02 601600.XSHG -0.476411 1.576575 -0.108173 -0.222838 2.155626 0.401119 0.789932 ... 0 0 0 0 0 0 0
2017-03-03 601600.XSHG -0.489118 1.578999 -0.091144 -0.222814 2.158477 0.369833 0.666122 ... 0 0 0 0 0 0 0
2017-03-06 601600.XSHG -0.638607 1.581301 -0.068467 -0.223618 2.162714 0.343099 0.519883 ... 0 0 0 0 0 0 0
2017-03-07 601600.XSHG -0.657976 1.587860 -0.055744 -0.226962 2.159981 0.330203 0.511142 ... 0 0 0 0 0 0 0
# get_descriptor_exposure - 获取一组股票的细分风格因子暴露度
get_descriptor_exposure(order_book_ids, start_date, end_date, descriptors = None)
# 参数
| 参数 | 类型 | 解释 |
|---|---|---|
| order_book_ids | str or list of str | 证券代码（例如： '600705.XSHG'） |
| start_date | str | 开始日期（例如： '2017-03-03'） |
| end_date | str | 结束日期（例如： '2017-03-20'） |
| descriptors | None or list of str | 细分风格因子。默认获取全部细分风格因子的暴露度（ None）。 细分风格因子字段名称 rqdata-API-fields-1) |
# 返回
MultiIndex 的 pandas.DataFrame
index 第一个 level 为 order_book_id，第二个 level 为 date， column 为细分风格因子字段名称。
# 范例
- 获取一只股票的全部细分因子暴露度
In [11]: get_descriptor_exposure('600705.XSHG','20170302','20170307',descriptors=None)
Out[11]:
book_leverage cash_earnings_to_price_ratio ... three_months_share_turnover twelve_months_share_turnover
order_book_id date ...
600705.XSHG 2017-03-02 1.716070 -2.174376 ... -0.572241 0.073076
2017-03-03 1.718035 -2.161017 ... -0.628732 0.065085
2017-03-06 1.719792 -2.166595 ... -0.681997 0.063982
2017-03-07 1.716341 -2.167661 ... -0.685791 0.071536
- 获取一只股票一组细分风格因子暴露度
In [26]: get_descriptor_exposure('600705.XSHG','20170302','20170307',descriptors=['earnings_growth','cash_earnings_to_price_ratio','sales_growth'])
Out[26]:
cash_earnings_to_price_ratio earnings_growth sales_growth
order_book_id date
600705.XSHG 2017-03-02 -2.174376 -0.412443 -0.434541
2017-03-03 -2.161017 -0.412443 -0.434541
2017-03-06 -2.166595 -0.412443 -0.434541
2017-03-07 -2.167661 -0.438942 -0.454265
# get_stock_beta - 获取一组股票的基准贝塔值
get_stock_beta(order_book_ids, start_date, end_date, benchmark='000300.XSHG')
# 参数
| 参数 | 类型 | 解释 |
|---|---|---|
| order_book_ids | str or list of str | 证券代码（例如： '600705.XSHG'） |
| start_date | str | 开始日期（例如： '2017-03-03'） |
| end_date | str | 结束日期（例如： '2017-03-20'） |
| benchmark | str | 基准指数。默认为沪深 300（ '000300.XSHG'），可选上证 50（'000016.XSHG'）、中证 500（ '000905.XSHG'）、中证 800（ '000906.XSHG'）以及中证全指（ '000985.XSHG'） |
# 返回
返回 pandas.DataFrame
index 为日期， column 为个股的 order_book_id
# 范例
- 获取一只股票的基准贝塔值
In [12]: get_stock_beta('600705.XSHG','20170302','20170307' )
Out[12]:
order_book_id 600705.XSHG
date
2017-03-02 1.396796
2017-03-03 1.395106
2017-03-06 1.378063
2017-03-07 1.399051
# get_factor_return - 获取因子收益率
get_factor_return(start_date, end_date, factors= None, universe='whole_market',method='implicit',industry_mapping=True)
# 参数
| 参数 | 类型 | 解释 |
|---|---|---|
| start_date | str | 开始日期（例如： '2017-03-03'） |
| end_date | str | 结束日期（例如： '2017-03-20'） |
| factors | None or list of str | 因子。默认获取全部因子的因子收益率(None)。 风格因子、行业因子和市场联动字段名称表 1 和表 2 |
| universe | str or list | 基准指数。默认为全市场('whole_market')， 可选沪深 300 ('000300.XSHG'),中证 500 ('000905.XSHG')、中证 800（'000906.XSHG'） |
| method | _str _ | 计算方法 （ 1 ） 。默认为 'implicit'（隐式因子收益率） ，可选'explicit'（显式风格因子收益率） |
| industry_mapping | str | 行业分类。True，则使用申万 2021 行业分类；False，则 2022 年 01 月 21 日之前的因子收益率数据为 2014 行业分类数据。 |
备注：（1） 由于隐式和显式收益率的计算方法差异，当 method 参数取值为 'implicit' ， 可返回三类因子（风格、行业、市场联动）的隐式因子收益率； 而当 method 参数取值为 'explicit' ，只可返回风格因子的显式因子收益率。
# 返回
pandas.DataFrame
index 为日期， column 为因子字段名称
# 范例
- 获取全部因子的因子收益率
In [14]: get_factor_return('20170302','20170307',factors=None,universe='whole_market',industry_mapping=True)
Out[14]:
factor beta book_to_price comovement earnings_yield ... 钢铁 银行 非银金融 食品饮料
date ...
2017-03-02 -0.000999 -0.003119 -0.005100 -0.000028 ... 0.004589 0.005992 0.003401 0.001025
2017-03-03 0.001148 -0.001882 -0.001399 0.001711 ... -0.007802 -0.006164 -0.003639 0.002736
2017-03-06 0.002715 -0.001411 0.009049 0.000989 ... 0.002477 -0.001238 0.000835 -0.000738
2017-03-07 -0.000044 -0.001271 0.002943 0.000510 ... -0.004741 0.006657 0.000605 0.009588
# get_specific_return - 获取一组股票的特异收益率
get_specific_return(order_book_ids, start_date, end_date)
# 参数
| 参数 | 类型 | 解释 |
|---|---|---|
| order_book_ids | str or list | 证券代码（例如： '600705.XSHG'） |
| start_date | str | 开始日期（例如： '2017-03-03'） |
| end_date | str | 结束日期（例如： '2017-03-20'） |
# 返回
pandas.DataFrame
index 为日期， column 为个股的 order_book_id
# 范例
- 获取一只股票的特异收益率
In [16]: get_specific_return('600705.XSHG','20170302','20170307' )
Out[16]:
order_book_id 600705.XSHG
date
2017-03-02 -0.012205
2017-03-03 0.004288
2017-03-06 -0.005601
2017-03-07 0.022702
- 获取一组股票的特异收益率
In [29]: get_specific_return(['600705.XSHG','600100.XSHG'],'20170302','20170307' )
Out[29]:
order_book_id 600100.XSHG 600705.XSHG
date
2017-03-02 0.000004 -0.012205
2017-03-03 -0.004658 0.004288
2017-03-06 -0.003140 -0.005601
2017-03-07 0.013050 0.022702
# get_factor_covariance - 获取因子协方差
get_factor_covariance(date, horizon= 'daily')
# 参数
| 参数 | 类型 | 解释 |
|---|---|---|
| date | str | 开始日期（例如： '2017-03-03'） |
| horizon | str | 预测期 限。默 认为 日度 （ 'daily' ）， 可选月度（ 'monthly'）或季度（ 'quarterly'） |
# 返回
pandas.DataFrame
index 和 column 均为因子名称
# 范例
In [17]: get_factor_covariance('20170303',horizon='daily')
Out[17]:
beta book_to_price comovement earnings_yield growth ... 采掘 钢铁 银行 非银金融 食品饮料
beta 0.001163 -2.385022e-04 0.002044 -6.211431e-05 -0.000042 ... -0.000155 -0.000455 -0.000377 0.000040 -0.000311
book_to_price -0.000239 2.517092e-03 -0.000964 -1.118821e-04 0.000054 ... 0.000697 0.001682 0.000427 0.000162 0.000362
comovement 0.002044 -9.643928e-04 0.016008 -1.260676e-04 -0.000253 ... 0.000226 0.000192 -0.004963 0.001152 -0.001320
earnings_yield -0.000062 -1.118821e-04 -0.000126 5.460846e-04 -0.000049 ... -0.000208 -0.000219 0.000070 0.000150 0.000187
growth -0.000042 5.362409e-05 -0.000253 -4.887124e-05 0.000171 ... -0.000020 -0.000155 0.000185 -0.000051 0.000077
leverage -0.000050 2.557107e-04 -0.000145 -1.153423e-05 -0.000002 ... 0.000203 0.000691 -0.000176 0.000078 0.000115
liquidity 0.000118 -5.388243e-07 0.001384 -5.870778e-05 0.000011 ... 0.000140 0.000314 -0.000606 -0.000068 0.000047
momentum -0.000260 1.096554e-04 -0.000522 -1.625567e-05 0.000022 ... -0.000072 -0.000302 0.000247 -0.000053 0.000041
non_linear_size 0.000087 -1.806789e-04 0.000144 -3.357935e-05 -0.000007 ... -0.000071 0.000102 -0.000159 -0.000084 -0.000039
residual_volatility 0.000632 -3.166259e-04 0.001609 -8.017871e-05 -0.000019 ... -0.000173 -0.000612 -0.000197 -0.000120 -0.000466
size -0.000226 3.508242e-04 -0.001208 3.006616e-04 0.000034 ... 0.000252 0.000720 0.000300 0.000206 0.000330
交通运输 0.000014 2.175025e-04 0.000782 -2.044910e-04 0.000015 ... -0.000289 0.001544 -0.002213 -0.001391 0.000661
休闲服务 -0.000056 7.833654e-05 -0.001222 5.397482e-05 0.000014 ... -0.000589 0.000032 -0.001537 -0.000974 0.001098
···
银行 -0.000377 4.270598e-04 -0.004963 6.968579e-05 0.000185 ... -0.000726 -0.005122 0.010001 0.000824 -0.001567
非银金融 0.000040 1.620042e-04 0.001152 1.504377e-04 -0.000051 ... -0.000602 -0.001897 0.000824 0.006821 -0.001082
食品饮料 -0.000311 3.616767e-04 -0.001320 1.873396e-04 0.000077 ... -0.000083 0.001159 -0.001567 -0.001082 0.005584
# get_specific_risk - 获取一组股票的特异波动率
get_specific_risk(order_book_ids, start_date, end_date, horizon= 'daily')
# 参数
| 参数 | 类型 | 解释 |
|---|---|---|
| order_book_ids | str or list | 证券代码（例如： '600705.XSHG'） |
| start_date | str | 开始日期（例如： '2017-03-03'） |
| end_date | str | 结束日期（例如： '2017-03-20'） |
| horizon | str | 预测期限。默认为日度（ 'daily'），可选月度（ 'monthly'）或季度（'quarterly'） |
# 返回
pandas.DataFrame
index 为日期， column 为个股的 order_book_id
# 范例
- 获取一只股票的特异波动率
In [18]: get_specific_risk('600705.XSHG','20170303','20170308',horizon='daily')
Out[18]:
order_book_id 600705.XSHG
date
2017-03-03 0.191777
2017-03-06 0.187424
2017-03-07 0.189880
2017-03-08 0.186224
- 获取一组股票的特异波动率
In [31]: get_specific_risk(['600705.XSHG','600100.XSHG'],'20170303','20170308',horizon='daily')
Out[31]:
order_book_id 600100.XSHG 600705.XSHG
date
2017-03-03 0.146083 0.191777
2017-03-06 0.142691 0.187424
2017-03-07 0.142536 0.189880
2017-03-08 0.139857 0.186224
# 字段说明
表 1 和 表 2 给出了上述部分数据 API 中风格因子、行业因子的字段说明。表 3 给出了市场联动因子的解释。
# 表 1. 风格因子字段说明
备注： 对于包含细分因子的风格因子， 风格因子字段加粗标记， 细分因子字段星号标记
| 字段 | 说明 | 解释 |
|---|---|---|
| beta | 贝塔 | 个股/投资组合收益对基准收益的敏感度 |
| momentum | 动量 | 股票收益变化的总体趋势特征 |
| size | 规模 | 上市公司的市值规模 |
| book_to_price | 账面市值比 | 上市公司的股东权益-市值比，反映其估值水平 |
| non_linear_size | 非线性市值 | 反映中等市值股票和大/小市值股票的表现差异 |
| earnings_yield * trailing_earnings_to_price_ratio * cash_earnings_to_price_ratio * predicted_earning_to_price | 盈利率 | 上市公司的营收能力 |
| residual_volatility * daily_standard_deviation * cumulative_range * historical_sigma | 残余波动率 | 个股残余收益的波动程度 |
| growth * sales_growth * earnings_growth * short_term_predicted_earnings_growth * long_term_predicted_earnings_growth | 成长性 | 上市公司的营收增长情况 |
| leverage * market_leverage * debt_to_assets * book_leverage | 杠杆率 | 上市企业负债占资产比例，反映企业的经营杠杆率 |
| liquidity * one_month_share_turnover * three_month_share_turnover * twelve_month_share_turnover | 流动性 | 股票换手率，反映个股交易的活跃程度 |
# 表 2. 行业因子字段说明
*备注： 下表为 2021 年后的申万行业分类名称
| 序号 | 行业 | 序号 | 行业 |
|---|---|---|---|
| 1 | 农林牧渔 | 17 | 商贸零售 |
| 2 | 煤炭 | 18 | 社会服务 |
| 3 | 基础化工 | 19 | 综合 |
| 4 | 钢铁 | 20 | 建筑材料 |
| 5 | 有色金属 | 21 | 建筑装饰 |
| 6 | 电子 | 22 | 电力设备 |
| 7 | 家用电器 | 23 | 国防军工 |
| 8 | 食品饮料 | 24 | 计算机 |
| 9 | 纺织服饰 | 25 | 传媒 |
| 10 | 轻工制造 | 26 | 通信 |
| 11 | 医药生物 | 27 | 银行 |
| 12 | 公用事业 | 28 | 非银金融 |
| 13 | 交通运输 | 29 | 汽车 |
| 14 | 房地产 | 30 | 机械设备 |
| 15 | 石油石化 | 31 | 环保 |
| 16 | 美容护理 |
# 表 3. 市场联动因子解释
| 市场联动因子 | 解释 |
|---|---|
| comovement | 反映市场整体涨落对个股或投资组合的影响。个股对市场联动因子的暴露度均为 1，因此对于任意两个满仓的股票组合，其获得的市场收益及承担的市场整体波动风险相同。而对于“股票+现金”的组合，随着组合中股票仓位比例的增加，市场联动因子对组合收益影响越大； 例如：组合的股票平均仓位是 70%，那么该组合对市场联动因子的暴露度为 0.7。 |
*如需更详细的米筐多因子风险模型白皮书，请联系我们的销售或者致电公司官方电话