Ricequant Docs
  • RQSDK快速上手
  • RQData - 金融数据 API

    • Python API文档
    • Http API文档
  • RQAlpha Plus - 回测框架

    • 使用教程
    • API使用手册 (opens new window)
  • RQFactor - 因子投研工具

    • 使用教程
    • API使用手册
  • RQOptimizer - 股票组合优化器

    • 使用教程
    • API使用手册 (opens new window)
  • RQPAttr - 绩效归因工具

    • 使用教程
  • RQAMS 用户说明文档
  • RQAMSC 说明文档
量化平台文档
米筐帮助中心
返回官网
  • RQSDK快速上手
  • RQData - 金融数据 API

    • Python API文档
    • Http API文档
  • RQAlpha Plus - 回测框架

    • 使用教程
    • API使用手册 (opens new window)
  • RQFactor - 因子投研工具

    • 使用教程
    • API使用手册
  • RQOptimizer - 股票组合优化器

    • 使用教程
    • API使用手册 (opens new window)
  • RQPAttr - 绩效归因工具

    • 使用教程
  • RQAMS 用户说明文档
  • RQAMSC 说明文档
量化平台文档
米筐帮助中心
返回官网
  • RQData金融数据API文档

    • 文档目录
    • 使用说明
    • 跨品种通用API
    • A股
    • 港股(公测版本)
    • 金融、商品期货
    • 金融、商品期权
    • 指数、场内基金
    • 基金
    • 可转债
    • 风险因子
      • 数据说明
      • get_factor_exposure - 获取一组股票的因子暴露度
      • get_descriptor_exposure - 获取一组股票的细分风格因子暴露度
      • get_stock_beta - 获取一组股票的基准贝塔值
      • get_factor_return - 获取因子收益率
      • get_specific_return - 获取一组股票的特异收益率
      • get_factor_covariance - 获取因子协方差
      • get_specific_risk - 获取一组股票的特异波动率
      • 字段说明
      • 新风险模型(长期风险模型)介绍
    • 现货
    • 货币市场
    • 宏观经济
    • 一致预期(今日投资合作)
    • 新闻舆情(数库合作)
    • ESG(秩鼎合作)
    • 财务指标数据字典
    • 技术指标数据字典
    • 米筐特色指数
    • 更新履历

# 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='sws_2021', model = 'v1')

# 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 str 'sws_2021' - 申万 2021 行业分类
'citics_2019' - 中信 2019 行业分类
默认:industry_mapping = 'sws_2021'。
model str 'v1' 米筐老风险模型
'v2' 米筐新风险模型,新风险模型

# 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]: rqdatac.get_factor_exposure('600705.XSHG','20170302','20170307',factors=None,industry_mapping='sws_2021' )
Out[24]:
                          momentum      beta  book_to_price  earnings_yield  liquidity      size  residual_volatility  non_linear_size  comovement  leverage    growth  银行  计算机  环保  商贸零售  电力设备  建筑装饰  建筑材料  农林牧渔  电子  交通运输  汽车  纺织服饰  医药生物  房地产  通信  公用事业  综合  机械设备  石油石化  有色金属  传媒  家用电器  基础化工  非银金融  社会服务  轻工制造  国防军工  美容护理  煤炭  食品饮料  钢铁
date       order_book_id
2017-03-02 600705.XSHG   -0.765684 -0.085280       0.368789        0.285730  -0.145475  1.423206            -0.643894        -0.779187           1  1.519396 -1.712015   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
2017-03-03 600705.XSHG   -0.707014 -0.088001       0.373052        0.290378  -0.171835  1.428292            -0.801934        -0.773588           1  1.521861 -1.711590   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
2017-03-06 600705.XSHG   -0.733606 -0.142462       0.392585        0.310572  -0.199674  1.423293            -0.796411        -0.792342           1  1.523406 -1.711635   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
2017-03-07 600705.XSHG   -0.755761 -0.108790       0.403361        0.076728  -0.159671  1.450870            -0.727523        -0.743816           1  1.593371 -1.300758   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
  • 获取多股票的因子暴露度
In [21]: rqdatac.get_factor_exposure(['600705.XSHG','601600.XSHG'],'20170302','20170307',factors=None,industry_mapping='sws_2021' )
Out[21]:
                          momentum      beta  book_to_price  earnings_yield  liquidity      size  residual_volatility  non_linear_size  comovement  leverage    growth  银行  计算机  环保  商贸零售  电力设备  建筑装饰  建筑材料  农林牧渔  电子  交通运输  汽车  纺织服饰  医药生物  房地产  通信  公用事业  综合  机械设备  石油石化  有色金属  传媒  家用电器  基础化工  非银金融  社会服务  轻工制造  国防军工  美容护理  煤炭  食品饮料  钢铁
date       order_book_id
2017-03-02 600705.XSHG   -0.765684 -0.085280       0.368789        0.285730  -0.145475  1.423206            -0.643894        -0.779187           1  1.519396 -1.712015   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
           601600.XSHG    0.632379 -0.577844       2.116718        0.256038   0.471672  1.394988             0.846457        -0.826099           1  1.431694  0.067756   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     1   0     0     0     0     0     0     0     0   0     0   0
2017-03-03 600705.XSHG   -0.707014 -0.088001       0.373052        0.290378  -0.171835  1.428292            -0.801934        -0.773588           1  1.521861 -1.711590   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
           601600.XSHG    0.515550 -0.589616       2.126162        0.289633   0.445027  1.378327             0.863395        -0.855620           1  1.433824  0.067364   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     1   0     0     0     0     0     0     0     0   0     0   0
2017-03-06 600705.XSHG   -0.733606 -0.142462       0.392585        0.310572  -0.199674  1.423293            -0.796411        -0.792342           1  1.523406 -1.711635   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
           601600.XSHG    0.360484 -0.741722       2.126348        0.324218   0.421461  1.352377             0.936466        -0.905581           1  1.435153  0.067866   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     1   0     0     0     0     0     0     0     0   0     0   0
2017-03-07 600705.XSHG   -0.755761 -0.108790       0.403361        0.076728  -0.159671  1.450870            -0.727523        -0.743816           1  1.593371 -1.300758   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     0   0     0     0     1     0     0     0     0   0     0   0
           601600.XSHG    0.388384 -0.764634       2.132366        0.344829   0.409443  1.334277             0.914831        -0.933042           1  1.437516  0.068503   0    0   0     0     0     0     0     0   0     0   0     0     0    0   0     0   0     0     0     1   0     0     0     0     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, model = 'v1')

# 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)
model str 'v1' 米筐老风险模型
'v2' 米筐新风险模型,新风险模型

# 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', model = 'v1')

# 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')
model str 'v1' 米筐老风险模型
'v2' 米筐新风险模型,新风险模型

# 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='sws_2021', model = 'v1')

# 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 'sws_2021' - 申万 2021 行业分类
'citics_2019' - 中信 2019 行业分类
默认:industry_mapping = 'sws_2021'。
model str 'v1' 米筐老风险模型
'v2' 米筐新风险模型,新风险模型

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]: rqdatac.get_factor_return('20170302','20170307',factors=None,universe='whole_market',industry_mapping='sws_2021')
Out[14]:
factor          beta  book_to_price  comovement  earnings_yield    growth  leverage  liquidity  momentum  non_linear_size  residual_volatility      size      交通运输        传媒      公用事业      农林牧渔      医药生物      商贸零售  ...        汽车        煤炭        环保      电力设备        电子      石油石化      社会服务      纺织服饰        综合      美容护理       计算机      轻工制 造        通信        钢铁        银行      非银金融      食品饮料
date                                                                                                                                                                                                                  ...
2017-03-02 -0.001044      -0.003007   -0.005161        0.000895 -0.000558  0.000269   0.000050  0.000680        -0.000147            -0.003483  0.000171 -0.006161 -0.002081  0.000525 -0.004602 -0.002468 -0.003860  ...  0.000504  0.000077 -0.002917  0.004257  0.000370 -0.000766 -0.001737  0.002724  0.000486  0.004157 -0.002981 -0.000922  0.000394  0.005574  0.006018  0.001711  0.000042
2017-03-03  0.001259      -0.001100   -0.001086        0.001748  0.000521 -0.000775  -0.001693  0.000446         0.000820            -0.001096 -0.001652 -0.007279 -0.000296 -0.000124  0.000697  0.000994 -0.001389  ...  0.005918 -0.008764  0.002470  0.009808  0.011413 -0.006552  0.006445 -0.000879 -0.000159  0.000600  0.005042  0.002710  0.002237 -0.008201 -0.006301 -0.001433  0.001814
2017-03-06  0.002535      -0.001496    0.009265        0.000960  0.000021 -0.000851  -0.000870 -0.000549        -0.000989             0.000002 -0.001650 -0.000152 -0.001880 -0.000092 -0.004033 -0.002653 -0.003367  ... -0.001338  0.008903 -0.001816 -0.001218  0.006256 -0.000935 -0.001956 -0.003656 -0.004730  0.000664  0.003920  0.000532  0.005297  0.001956 -0.000836 -0.001430 -0.000331
2017-03-07 -0.000222      -0.001369    0.002965        0.000156 -0.000555 -0.001759  -0.001441 -0.000478        -0.000535            -0.000521 -0.001305 -0.000647 -0.001396  0.000425 -0.000495 -0.000400  0.001695  ... -0.001178 -0.007857 -0.001802 -0.002089 -0.000649 -0.001059 -0.002213 -0.003938 -0.000919  0.000182  0.004406  0.001884  0.001422 -0.005280  0.006863 -0.000516  0.009694
[4 rows x 42 columns]

# 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, model = 'v1',industry_mapping='sws_2021')

# 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')
model str 'v1' 米筐老风险模型
'v2' 米筐新风险模型,新风险模型
industry_mapping str 'sws_2021' - 申万 2021 行业分类
'citics_2019' - 中信 2019 行业分类
默认:industry_mapping = 'sws_2021'。

# 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
  • 获取一个股票中信 2019 分类下的特异收益率
In [29]: rqdatac.get_specific_return('600705.XSHG','20170302','20170307',industry_mapping='citics_2019' )
Out[29]:
order_book_id  600705.XSHG
date
2017-03-02       -0.015470
2017-03-03        0.005021
2017-03-06       -0.003329
2017-03-07        0.022044

# get_factor_covariance - 获取因子协方差

get_factor_covariance(date, horizon= 'daily', model = 'v1',industry_mapping='sws_2021')

# 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')
model str 'v1' 米筐老风险模型
'v2' 米筐新风险模型,新风险模型
industry_mapping str 'sws_2021' - 申万 2021 行业分类
'citics_2019' - 中信 2019 行业分类
默认:industry_mapping = 'sws_2021'。

# 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
In [17]: rqdatac.get_factor_covariance('20170303',horizon='daily',industry_mapping='citics_2019')
Out[17]:
                         beta  book_to_price  comovement  earnings_yield        growth  leverage     liquidity      momentum  non_linear_size  residual_volatility  ...      纺织服装        综合      综合金融       计算机      轻工制造        通信        钢铁        银行     非银行金融      食品饮料
beta                 0.001399      -0.000007    0.004359        0.000088 -6.770298e-05 -0.000095 -6.687593e-05 -4.446151e-04     1.121304e-05             0.000915  ... -0.000035 -0.000162 -0.000015  0.000496  0.000119  0.000188 -0.000318 -0.000891  0.000075  0.000007
book_to_price       -0.000007       0.001188    0.000354        0.000074 -5.944671e-05  0.000229  7.424089e-05  3.840258e-05    -1.089268e-04            -0.000048  ... -0.000080  0.000009  0.000479 -0.000683 -0.000270 -0.000372  0.001352 -0.000476  0.000317  0.000462
comovement           0.004359       0.000354    0.016260        0.000564 -2.733087e-04 -0.000328 -1.883315e-04 -1.597542e-03    -1.618321e-05             0.003254  ... -0.000432 -0.001010 -0.000307  0.000750  0.000249  0.000031 -0.001076 -0.002098  0.000910  0.000374
earnings_yield       0.000088       0.000074    0.000564        0.000341 -1.657873e-05 -0.000039 -3.718981e-05 -2.519291e-05    -2.958569e-05             0.000008  ... -0.000067 -0.000126 -0.000046 -0.000028  0.000020 -0.000026 -0.000140 -0.000226  0.000198  0.000475
growth              -0.000068      -0.000059   -0.000273       -0.000017  1.651912e-04 -0.000053 -1.308102e-07  3.171995e-05     1.839054e-05            -0.000027  ... -0.000046 -0.000021 -0.000031  0.000156 -0.000065  0.000111 -0.000296  0.000303 -0.000100 -0.000135
leverage            -0.000095       0.000229   -0.000328       -0.000039 -5.293993e-05  0.000275  5.422277e-05  2.748743e-05    -2.591696e-05            -0.000135  ...  0.000103  0.000075  0.000117 -0.000439 -0.000009 -0.000245  0.000739 -0.000294  0.000129  0.000184
liquidity           -0.000067       0.000074   -0.000188       -0.000037 -1.308102e-07  0.000054  6.349408e-04 -4.340426e-05    -7.344311e-06            -0.000027  ... -0.000097 -0.000064 -0.000191 -0.000284 -0.000115 -0.000235  0.000048 -0.000024 -0.000099  0.000152
momentum            -0.000445       0.000038   -0.001598       -0.000025  3.171995e-05  0.000027 -4.340426e-05  4.285512e-04     4.915310e-07            -0.000385  ... -0.000101  0.000003 -0.000009 -0.000101 -0.000080 -0.000068 -0.000223  0.000514 -0.000009 -0.000104
non_linear_size      0.000011      -0.000109   -0.000016       -0.000030  1.839054e-05 -0.000026 -7.344311e-06  4.915310e-07     1.000601e-04             0.000031  ...  0.000037  0.000022 -0.000059  0.000138  0.000052  0.000045  0.000066 -0.000041 -0.000093 -0.000071
residual_volatility  0.000915      -0.000048    0.003254        0.000008 -2.668991e-05 -0.000135 -2.728752e-05 -3.853061e-04     3.093620e-05             0.001066  ... -0.000113 -0.000150  0.000166  0.000526  0.000054  0.000263 -0.000454 -0.000448 -0.000161 -0.000217
size                -0.000358       0.000295   -0.000832        0.000153 -1.484045e-05  0.000090  3.278297e-04  8.068121e-05    -5.206873e-05            -0.000388  ... -0.000076 -0.000223 -0.000136 -0.000574 -0.000193 -0.000463  0.000606 -0.000018  0.000377  0.000378
交通运输                -0.000102       0.000150   -0.000332       -0.000145 -1.001581e-04  0.000303  3.600846e-04 -1.730589e-04    -6.712213e-05            -0.000025  ...  0.000545  0.000771  0.000963 -0.000309  0.000773  0.000176  0.001407 -0.002519 -0.001657  0.000813
传媒                   0.000158      -0.000449   -0.000262       -0.000062  1.034563e-04 -0.000243 -2.328359e-04  3.048113e-05     1.974499e-05             0.000205  ...  0.000318  0.000759  0.000956  0.002107  0.000762  0.001588 -0.001282 -0.001594 -0.001332 -0.000295
农林牧渔                -0.000076       0.000258   -0.000249        0.000116 -1.219678e-04  0.000257  1.056987e-05 -9.805772e-05     1.223279e-05            -0.000130  ...  0.000612  0.000502  0.000347 -0.000671  0.000589 -0.000249  0.001948 -0.002567 -0.000891  0.001917
医药                   0.000372      -0.000185    0.000947        0.000234  8.351098e-06 -0.000152 -1.239801e-04 -1.238810e-04     1.905877e-05             0.000207  ...  0.000468  0.000296  0.000403  0.000851  0.000640  0.000573 -0.000599 -0.002098 -0.001150  0.001156
商贸零售                 0.000142      -0.000080    0.000310       -0.000004 -1.377363e-04  0.000045  1.288081e-04 -2.074744e-04     1.592768e-05             0.000146  ...  0.001178  0.001221  0.001280 -0.000059  0.001023  0.000149  0.000564 -0.003222 -0.000770  0.001014
国防军工                 0.000776       0.000140    0.001911       -0.000085 -1.402052e-05  0.000291  6.471573e-05 -3.466389e-04    -5.263616e-05             0.000593  ...  0.000030 -0.000172  0.000424  0.000298 -0.000199  0.001194  0.000685 -0.003790 -0.001595  0.000298
基础化工                 0.000216      -0.000329    0.000400       -0.000026 -8.059124e-05 -0.000083  1.655167e-05 -1.808071e-04     8.051281e-05             0.000195  ...  0.000746  0.000668  0.000151  0.000264  0.000666  0.000487  0.000896 -0.002623 -0.001467  0.000510
家电                   0.000075      -0.000127    0.000135        0.000208 -7.764720e-05 -0.000063  9.480138e-05 -2.370653e-04    -1.065073e-05            -0.000067  ...  0.000686  0.000414  0.000285  0.000088  0.000720  0.000468  0.000529 -0.002337 -0.000867  0.001731
建材                   0.000034       0.000537   -0.000116       -0.000109 -3.763579e-04  0.000442  3.322789e-04 -1.453769e-04     8.369679e-05            -0.000035  ...  0.001229  0.001458  0.000911 -0.001123  0.001111 -0.000456  0.007036 -0.005746 -0.002363  0.001917
建筑                  -0.000136       0.000651   -0.000116        0.000018 -1.237513e-04  0.000283  4.542388e-05  3.644480e-05    -9.319595e-06            -0.000142  ...  0.000215  0.000434  0.000528 -0.000403  0.000449  0.000140  0.001039 -0.002048 -0.000734  0.000155
房地产                 -0.000056       0.000024   -0.000311       -0.000004 -2.817610e-05  0.000035  9.880655e-05 -6.599190e-05    -1.578748e-05            -0.000114  ...  0.000375  0.000825  0.000483 -0.000321  0.000235 -0.000123 -0.000119 -0.000917 -0.000233  0.000211
有色金属                -0.000212       0.000909   -0.000932       -0.000127 -2.694873e-04  0.000558 -7.352625e-05 -6.875829e-09    -4.801330e-05            -0.000262  ...  0.000547  0.000297 -0.000338 -0.002009  0.000105 -0.001164  0.008366 -0.003554 -0.001110  0.000531
机械                   0.000194      -0.000093    0.000479        0.000009 -3.434340e-05 -0.000013 -1.440233e-05 -5.398043e-05     4.997692e-05             0.000152  ...  0.000234  0.000164  0.000145  0.000310  0.000310  0.000355  0.000218 -0.001445 -0.000792  0.000055
汽车                   0.000170      -0.000315    0.000091       -0.000006  1.631817e-05 -0.000052  1.313062e-04 -1.220259e-04     6.749136e-05             0.000096  ...  0.000630  0.000464  0.000372  0.000182  0.000592  0.000365  0.000525 -0.002128 -0.000983  0.000562
消费者服务                0.000033      -0.000123   -0.000566        0.000149  2.958023e-05  0.000047 -8.186208e-05  4.652137e-05     2.568024e-05            -0.000114  ...  0.000511  0.000650  0.000981  0.000680  0.000591  0.000420  0.000273 -0.002048 -0.000781  0.000910
煤炭                  -0.000285       0.000848   -0.000266        0.000053 -6.842190e-05  0.000318  2.361473e-04 -2.647335e-04    -1.578106e-04            -0.000505  ...  0.000468 -0.000059 -0.000921 -0.002150 -0.000406 -0.001354  0.008761 -0.001411 -0.000050  0.000557
电力及公用事业              0.000137       0.000090    0.000265       -0.000089 -4.733007e-05  0.000038  1.291258e-04 -1.126767e-04     3.723079e-06             0.000094  ...  0.000308  0.000460  0.000164 -0.000190  0.000417  0.000014  0.000924 -0.001747 -0.000978  0.000068
电力设备及新能源             0.000344      -0.000208    0.000780       -0.000020 -1.284099e-05 -0.000068  7.599085e-05 -8.151875e-05     7.738806e-05             0.000322  ...  0.000242  0.000256 -0.000006  0.000545  0.000403  0.000628  0.000077 -0.001995 -0.001165  0.000147
电子                   0.000365      -0.000586    0.000656       -0.000003  7.686605e-05 -0.000337 -1.584191e-04 -8.880432e-05     1.345832e-04             0.000408  ...  0.000205  0.000454  0.000135  0.001516  0.000542  0.001436 -0.000536 -0.001820 -0.001685 -0.000385
石油石化                -0.000297       0.000679   -0.000449       -0.000238 -3.903648e-05  0.000244  2.784371e-04  2.575526e-04    -3.535490e-05             0.000007  ... -0.000284 -0.000166 -0.000537 -0.001216 -0.000686 -0.000740  0.000705 -0.000166 -0.000565 -0.000205
纺织服装                -0.000035      -0.000080   -0.000432       -0.000067 -4.638686e-05  0.000103 -9.714661e-05 -1.014918e-04     3.687117e-05            -0.000113  ...  0.002112  0.000753  0.000433 -0.000162  0.000548  0.000252  0.001265 -0.001965 -0.000730  0.000644
综合                  -0.000162       0.000009   -0.001010       -0.000126 -2.097626e-05  0.000075 -6.421795e-05  3.071627e-06     2.201877e-05            -0.000150  ...  0.000753  0.003068  0.000865  0.000225  0.000735  0.000472  0.001226 -0.002276 -0.001080  0.000329
综合金融                -0.000015       0.000479   -0.000307       -0.000046 -3.131022e-05  0.000117 -1.907693e-04 -9.316430e-06    -5.916113e-05             0.000166  ...  0.000433  0.000865  0.012777  0.000259  0.000042  0.000386  0.000531 -0.001891 -0.000631  0.000231
计算机                  0.000496      -0.000683    0.000750       -0.000028  1.562095e-04 -0.000439 -2.839100e-04 -1.010311e-04     1.378490e-04             0.000526  ... -0.000162  0.000225  0.000259  0.004219  0.000371  0.002199 -0.001691 -0.000930 -0.001175 -0.000786
轻工制造                 0.000119      -0.000270    0.000249        0.000020 -6.506015e-05 -0.000009 -1.151912e-04 -8.041214e-05     5.191646e-05             0.000054  ...  0.000548  0.000735  0.000042  0.000371  0.002153  0.000392  0.000598 -0.001971 -0.000976  0.000565
通信                   0.000188      -0.000372    0.000031       -0.000026  1.113834e-04 -0.000245 -2.348988e-04 -6.803749e-05     4.457633e-05             0.000263  ...  0.000252  0.000472  0.000386  0.002199  0.000392  0.003877 -0.000836 -0.001544 -0.001467 -0.000430
钢铁                  -0.000318       0.001352   -0.001076       -0.000140 -2.963463e-04  0.000739  4.826072e-05 -2.230691e-04     6.597295e-05            -0.000454  ...  0.001265  0.001226  0.000531 -0.001691  0.000598 -0.000836  0.019536 -0.005261 -0.001310  0.001378
银行                  -0.000891      -0.000476   -0.002098       -0.000226  3.028849e-04 -0.000294 -2.352887e-05  5.137291e-04    -4.090413e-05            -0.000448  ... -0.001965 -0.002276 -0.001891 -0.000930 -0.001971 -0.001544 -0.005261  0.013030  0.001157 -0.003146
非银行金融                0.000075       0.000317    0.000910        0.000198 -1.004018e-04  0.000129 -9.926253e-05 -8.829111e-06    -9.349944e-05            -0.000161  ... -0.000730 -0.001080 -0.000631 -0.001175 -0.000976 -0.001467 -0.001310  0.001157  0.006073 -0.000987
食品饮料                 0.000007       0.000462    0.000374        0.000475 -1.351070e-04  0.000184  1.522055e-04 -1.041277e-04    -7.117080e-05            -0.000217  ...  0.000644  0.000329  0.000231 -0.000786  0.000565 -0.000430  0.001378 -0.003146 -0.000987  0.007102
[41 rows x 41 columns]

# 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', model = 'v1',industry_mapping='sws_2021')

# 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')
model str 'v1' 米筐老风险模型
'v2' 米筐新风险模型,新风险模型
industry_mapping str 'sws_2021' - 申万 2021 行业分类
'citics_2019' - 中信 2019 行业分类
默认:industry_mapping = 'sws_2021'。

# 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
  • 获取一只股票中信 2019 的特异波动率
In [18]: rqdatac.get_specific_risk('600705.XSHG','20170303','20170308',horizon='daily',industry_mapping='citics_2019')
Out[18]:
order_book_id  600705.XSHG
date
2017-03-03        0.192311
2017-03-06        0.187687
2017-03-07        0.190031
2017-03-08        0.186779

# 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

# 新风险模型(长期风险模型)介绍

# 与上一代模型的区别

  • 新增 6 个风格因子,共计 16 个风格因子,覆盖更广范围的风险。
  • PIT 处理的基本面数据,和更快的基本面更新频率
  • 使用最新的行业分类

# 与同类型模型的区别

  • 基于申万行业分类定义行业因子
  • 提供细分因子暴露度、个股对各指数贝塔等衍生因子数据,灵活应用于不同投研场景;
  • 提供以常用指数(沪深 300、中证 500 及中证 800)成分股为股票池的因子收益率,便于挑选在特定指数有效的因子,构建指数增强策略
  • 特异风险模型中,对新股、复牌股、停牌股进行了优化处理,有效提升了风险预测精度和权重优化效果

# 新定义的因子

  • Earnings variability:
    因子逻辑:利润,收入,现金流的波动性
    因子方向:正暴露
    因子构成:营收波动(Variability in Sales),盈利波动(Variability in Earnings),现金流波动(Variability in Cashflows),分析师预期 EP 波动(Variation in FW EPS)

  • Dividend yield:
    因子逻辑:股息率
    因子方向:正暴露具有较高的股息率
    因子构成:股息率(Dividend-to-price ratio)

  • Earnings quality:
    因子逻辑:通过资产负债表应计和现金流量表应计去衡量公司的盈利质量
    因子方向:正暴露标明应计部分较少
    因子构成:资产负债表应计(Accruals Balance sheet version),现金流量表应计(Accruals Cashflow version)

  • Long term reversal
    因子逻辑:长期股价趋势和长期的 alpha
    因子方向:正暴露标明较差的长期收益
    因子构成:长期相对强度(Long-term relative strength),长期历史 alpha(Long-term historical alpha)

  • Investment quality
    因子逻辑:衡量管理层和资本扩张的程度
    因子方向:正暴露标明较低的扩张速度
    因子构成:总资产增长率(asset growth),流通股本增长率(issuance growth),资本支出增长率(capital expenditure growth)

  • Profitability:
    因子逻辑:公司的运营效率,盈利能力的衡量
    因子方向:正暴露标明较高的盈利能力和经营效率
    因子构成:运营效率(Asset turnover),总盈利能力(Gross profitability),毛利率(Gross Margin),资产回报 ROA(Return on asset)

# 原已有因子的定义改动

  • Earnings yield:增加了一个 EBIT/EV 的细分因子
  • Liquidity:增加日频换手的细分因子
  • Momentum:增加了历史 alpha 细分因子
  • Growth:剔除了短期预测的因子,只是用长期预测因子
  • Beta:改变了计算时的指数加权的半衰期

# 新风格因子结构:

风格因子 细分因子 说明
Liquidity
STOM Monthly share turnover 月换手率
STOQ Quarterly share turnover 季换手率
STOA Annual share turnover 年换手率
ATVR Annualized traded value ratio 年化交易量比率
Leverage
MLEV Market Leverage 市场杠杆
BLEV Book Leverage 账面杠杆
DTOA Debt to asset ratio 资产负债比
Earning Variablity
VSAL Variation in Sales 营业收入波动率
VERN Variation in Earings 盈利波动率
VFLO Variation in Cash Flows 现金流波动率
SPIBS Variation in FW EPS 分析师预测盈市率标准差
Earnings Quality
ACBS Accruals Balancesheet version 资产负债表应计项目
ACCF Accruals Cashflow version 现金流量表应计项目
Profitability
ATO Asset turnover 资产周转率
GP Gross profitability 资产毛利率
GM Gross Margin 销售毛利率
ROA Return on asset 总资产收益率
Investment Quality
AGRO asset growth 资产增长率
IGRO issuance growth 股票发行量增长率
CXGRO capital expenditure growth 资本支出增长率
BTOP BTOP book to price 账面市值比
Earnings Yield
ETOP Trailing Earnings-to-Price ratio EP比
EPIBS Analyst predicted earnings to price 分析师预测EP比
CETOP cash earnings to price 现金盈利价格比
ENMU Enterprise multiple(Ebitda to Ev) 企业价值倍数的倒数
Long Term reversal
LTRSTR Longterm relative strength 长期相对强度
LTHALPHA Longterm historical alpha 长期历史Alpha
Growth
EGRLF Predicted growth 3 year 分析师预测长期盈利增长率
EGRO Historical earnings per share growth rate 每股收益增长率
SGRO Historical sales per share growth rate 每股营业收入增长率
Momentum
RSTR Relative strength 相对于市场的强度
HALPHA Historical alpha 历史Alpha
Mid cap MIDCAP mid cap 中市值
Size LSIZE size 规模
Beta BETA beta 贝塔
Resival Volatility
HSIGMA Hist sigma 历史sigma
DASTD daily std dec 日标准差
CMRA Cumulative range 累计收益范围
Dividend Yield
DTOP Dividend-to-price ratio 股息率
DPIBS Analyst predicted dividend to price ratio 分析师预测分红价格比
Last Updated: 6/12/2024, 9:59:40 AM

← 可转债 现货 →