因子检验

FactorAnalysisEngine

FactorAnalysisEngine 是因子检验的 “容器”，通过 append 方法添加数据处理器（如极值处理、标准化）和分析器（如 IC 分析、分组收益分析），形成标准化的检验流程，支持一键执行多维度检验。

特点：

不限因子的资产类型和数据频率，因子检验的使用范围更广；
支持传入自定义收益率，不再局限于股票日终收益率；
支持传入自定义资产行业，更灵活地计算 IC 行业分布；
对于多日调仓的场景，使用滚动调仓计算 IC 和因子收益，从而减少路径依赖；
通过构造管道进行数据处理和分析计算，方便用户反复地进行检验和分析；
可单独计算 IC 分析/分组分析/因子收益率，自定义输出结果更有针对性；
支持输出数据处理后的因子值，处理结果更加透明。

注：目前仅支持传入因子值，不支持传入因子定义，如Factor('close')需使用execute_factor计算后再传入。

1. 预处理可选项

极值处理

python

Winzorization(method='mad')

参数

参数名	说明
method	可选择 `mad`：3 绝对值差中位数法； `std`：3 标准差法； `percentile`：2.5%百分位法

标准化

python

Normalization()

因子中性化

python

Neutralization(industry='citics_2019', style_factors='all')

参数

参数名说明

industry 行业中性化使用的行业分类，目前仅支持股票。可选citics_2019或者sws，None代表不做行业中性

style_factors 需要进行中性化的风格，底层数据为米筐风险因子，目前仅支持股票。None代表不做风格中性；all代表所有风格；支持通过 list 传入单个或者多个风格，可选size市值，beta贝塔，momentum动量，earnings_yield盈利率，growth成长性，liquidity流动性，leverage杠杆率，book_to_price账面市值比，residual_volatility残余波动率，non_linear_size非线性市值

参数名	说明
industry	行业中性化使用的行业分类，目前仅支持股票。可选`citics_2019`或者`sws`，`None`代表不做行业中性
style_factors	需要进行中性化的风格，底层数据为米筐风险因子，目前仅支持股票。`None`代表不做风格中性；`all`代表所有风格；支持通过 list 传入单个或者多个风格，可选`size`市值，`beta`贝塔，`momentum`动量，`earnings_yield`盈利率，`growth`成长性，`liquidity`流动性，`leverage`杠杆率，`book_to_price`账面市值比，`residual_volatility`残余波动率，`non_linear_size`非线性市值

2. 因子分析器可选项

IC 分析

python

ICAnalysis(rank_ic=True,industry_classification=None, max_decay=None)

参数

参数名	说明
rank_ic	是否使用因子值的排名计算 ic。为 `False` 时，使用因子值计算 ic
industry_classification	分组依据，`None`代表不计算 IC 行业分布；可输入`sws`或`citics_2019`，仅支持股票因子；对于股票之外的资产类型，可传入自定义分组`pd.Series` or `dict`，其中`index`或`key`为资产 id
max_decay	计算`ic_decay`时使用的最大滞后期数，若传入`None`，则不计算 IC 衰减

分组收益分析

python

QuantileReturnAnalysis(quantile=5, benchmark=None)

参数

参数名	说明
quantile	分组数量
benchmark	基准，默认为None，支持传入指数代码

因子收益率计算

python

FactorReturnAnalysis()

3. 构建管道

需先实例化引擎，再通过 engine.append(('name', processor) 逐步添加组件。

python

engine = FactorAnalysisEngine()

引擎通过append方法接受一个tuple，格式为(name, processor)，name不能重复。如需添加多个处理器或分析器，请逐步添加，例如：

python

# 数据处理
engine.append(('winzorization-mad', Winzorization(method='mad')))
engine.append(('normalization', Normalization()))
# IC分析
engine.append(('rank_ic_analysis', ICAnalysis(rank_ic=True)))

4. 执行计算

通过analysis传入因子值等数据，执行管道中所有组件的逻辑，返回各分析器的检验结果。

python

engine.analysis(factor_data, returns, ascending=False, periods=1, keep_preprocess_result=False)

参数

参数名	说明
factor_data	因子值，类型为`pd.DataFrame`，`index` 为`datetime`，`columns` 为 `order_book_id`
returns	收益率数据，可输入`daily`或`pd.DataFrame`。如选`daily`，则函数自动根据get_price_change_rate查询对应 id 的日涨跌幅数据（仅支持股票和指数）；如上传`pd.DataFrame`，其`index`和`columns`应和`factor_data`的相同。（引擎将使用 T 期因子值和 T+1 期收益率进行计算，如果希望使用 T+N 期收益率，用户可自行 shift 收益率数据）
ascending	因子值排序方向，`True`表示从小到大排序；`False`则从大到小排序
periods	调仓周期，即累计收益率的周期。 `int` 或者`list`，例如[1,5,10]，最多三个周期
keep_preprocess_result	是否保存预处理数据结果，`True`表示保存

engine.analysis() 返回一个字典，key 为每个分析器的名字，value 为对应组件的结果对象（如 ICAnalysisResult），具体接口和字段见下文。

ICAnalysis 结果

返回ICAnalysisResult 类型的对象，包含以下字段：

字段名	说明
ic	各期 IC 值
rolling(window=12)	计算 IC 滚动均值，可通过`window`指定窗口数量，最多 20 期
summary()	计算 IC 统计指标，返回`dict`类型，计算结果包含以下字段： `mean`: IC 序列的均值 `std`： IC 序列的标准差 `positive`: IC 为正的个数 `negative`: IC 为负的个数 `significanse`: IC 显著性水平（p 值小于 0.01 的占比） `sig_positive`: 正 IC 显著性水平 `sig_negative`: 负 IC 显著性水平 `t_value`: 多期 IC 值分布作 T 检验所得到的 T 统计量 `p_value`: 多期 IC 值分布作 T 检验所得到的 P 值 `skew`: IC 序列的偏度 `kurtosis`: IC 序列的峰度 `ir`: IC 序列的均值与标准差的比值
ic_decay	ic_decay 序列
ic_industry_distribute	IC 行业分布
show()	绘制分析结果

QuantileReturnAnalysis 结果

返回 QuantileReturnAnalysisResult 类型的对象，包含以下字段：

字段名	说明
quantile_returns	各期分组累计收益率序列
quantile_turnover	各期分组换手率
top_minus_bottom_return	做多第一组做空最后一组的收益率序列
quantile_detail	各期分组情况
benchmark_return	各期基准收益率序列
show()	绘制分析结果

FactorReturnAnalysis 结果

返回 FactorReturnAnalysisResult 类型的对象，包含以下字段：

字段名	说明
factor_returns	因子累计收益率
max_drawdown()	最大回撤值
std()	因子收益率波动率
show()	绘制分析结果

数据处理结果

当keep_preprocess_result为True时，将按照因子预处理的顺序和名称依次返回因子结果，例如因子管道构建代码为：

python

engine.append(('winzorization-mad', Winzorization(method='mad')))
engine.append(('normalization', Normalization()))

返回dict的key中会包含winzorization-mad和normalization。

使用示例

基于沪深 300 股票池，计算 20210101 - 20211101 的 pe 因子

python

import pandas as pd
import datetime
from rqfactor import *
import rqdatac
rqdatac.init()
d1 = '20210101'
d2 = '20211101'
f = Factor('pe_ratio_ttm')
ids = rqdatac.index_components('000300.XSHG',d1)
df = execute_factor(f,ids,d1,d2)

将每日 14:00 的分钟 close 数据合成为新的收益率数据

python

price = rqdatac.get_price(ids,d1,d2,frequency='1m',fields='close',expect_df=False)
target = datetime.time(14, 0)
mask = price.index.get_level_values('datetime').time == target
returns = price[mask].pct_change()
returns.index = pd.DatetimeIndex(returns.index.date)

构建管道，并将因子值和收益率传入分析器中进行计算

python

engine = FactorAnalysisEngine()
engine.append(('winzorization-mad', Winzorization(method='mad')))
engine.append(('rank_ic_analysis', ICAnalysis(rank_ic=True, industry_classification='sws')))
result = engine.analysis(df, returns, ascending=True, periods=1, keep_preprocess_result=True)
result['rank_ic_analysis'].summary()

# Out:
#               P_1
# mean	        0.007487
# std	        0.243561
# positive	  100.000000
# negative	  99.000000
# significance	0.628141
# sig_positive	0.301508
# sig_negative	0.316583
# t_stat  	0.433625
# p_value	  0.665033
# skew	        0.067769
# kurtosis  	-0.774880
# ir	        0.030739

绘制 IC 结果图

python

result['rank_ic_analysis'].show()

ic结果

ic行业分布结果

更多示例可参考这里

因子检验 ​

FactorAnalysisEngine ​

特点： ​

1. 预处理可选项 ​

极值处理 ​

参数 ​

标准化 ​

因子中性化 ​

参数 ​

2. 因子分析器可选项 ​

IC 分析 ​

参数 ​

分组收益分析 ​

参数 ​

因子收益率计算 ​

3. 构建管道 ​

4. 执行计算 ​

参数 ​

返回 ​

ICAnalysis 结果 ​

QuantileReturnAnalysis 结果 ​

FactorReturnAnalysis 结果 ​

数据处理结果 ​

使用示例 ​

因子检验

FactorAnalysisEngine

特点：

1. 预处理可选项

极值处理

参数

标准化

因子中性化

参数

2. 因子分析器可选项

IC 分析

参数

分组收益分析

参数

因子收益率计算

3. 构建管道

4. 执行计算

参数

返回

ICAnalysis 结果

QuantileReturnAnalysis 结果

FactorReturnAnalysis 结果

数据处理结果

使用示例