因子分析

这是什么

聚宽因子分析 API 的使用手册：怎么定义一个自定义因子（Factor 类 + calc 方法）、可以依赖哪些基础因子、以及怎么用 calc_factors 一次算出多只股票在时间区间内的因子值。概念上它是从「单因子选股」走向「因子库/多因子研究」的脚手架。

核心要点

自定义因子的写法与类属性

• 自定义因子 = 继承 Factor 的类，实现 calc(self, data) 方法。
• 三个类属性决定框架行为：
  • name：因子名称，不能与基础因子重名冲突。
  • max_window：获取数据的最长窗口（日级）。
  • dependencies：依赖的基础因子名称列表。
• 最小示例 MA5：

  class MA5(Factor):
      name = 'ma5'
      max_window = 5
      dependencies = ['close']
      def calc(self, data):
          return data['close'][-5].mean()
  

• calc 里 data 是 dict：key = dependencies 里的因子名，value = pandas.DataFrame（对应多只股票/多个日期）。

可用的基础因子（dependencies 能写什么）

• 价量信息（get_price 能取到的）：open、close、high、low、volume、money。
• 财务指标因子：当日能看到的最新单季财务指标（fundamentals 的全部指标）。
• 前 N 季度财务数据：因子名后加 _1 取前一报告期（如 operation_revenue_1），N 取 1–7；operation_revenue 是最新报告期数据。
• 行业因子：证监会行业分类、聚宽一/二级行业、申万一/二/三级行业——返回 bool（属于该行业 = 1，否则 0）。
• 概念因子：类似行业，bool。
• 指数因子：类似行业，bool（是否属于某指数）。
• 资金流因子：get_money_flow API 能查到的数据。

示例：TTM 财务因子

• 定义营业收入 TTM（滚动四季度）因子：dependencies = ['operating_revenue', 'operating_revenue_1', 'operating_revenue_2', 'operating_revenue_3']；calc 里把四期相加 ttm = 四季度 revenue 之和 后转 series 返回。
• 意义：单季营收波动大，TTM 用最近四报告期加总平滑，是财务类因子常用构造。

在回测中算因子：calc_factors

• 调用：calc_factors(securities, factors, start_data, end_data)。
  • securities：股票代码列表。
  • factors：因子对象列表（如 [ALPHA013(), GROSSPROFITABILITY()]）。
  • start_data / end_data：起止日期（如 '2017-01-01' / '2017-02-01'）。
• 返回：dict，key = 因子 name，value = pandas.DataFrame（可按日期/股票查因子值）。
• 完整示例里的两个因子：
  • ALPHA013（量价因子）：dependencies = high/low/volume/money；vwap = money/volume；因子值 = (sqrt(high*low) - vwap).mean()（根号最高最低价与 VWAP 之差）。
  • GROSSPROFITABILITY（毛利资产比因子）：dependencies = total_operating_revenue / total_operating_cost / total_assets；因子值 = (营业收入 - 营业成本) / 总资产 的均值——即毛利润占总资产比例。
• 用 factors['alpha013_name'].head() 查看结果（注意：因子实例的类名 ALPHA013，但 name 是 'alpha013_name'，结果 dict 的 key 用 name）。

机制 / 论证

• Factor 类把「因子」标准化：声明式（name/window/dependencies）+ 一个 calc 钩子。框架负责「按 dependencies 取好数据喂给你」，你只写「把数据变成因子值」——这样任何自定义因子都能进同一套回测/筛选管线，为多因子研究铺路。
• 窗口与依赖分离：max_window 决定喂多少历史，dependencies 决定喂哪些序列；MA5 要 5 天 close，TTM 因子只要当期（max_window=1）但依赖 4 个季度的财务字段——财务字段的 _N 后缀让「历史报告期」成为一等依赖，这是做财务因子的关键机制。
• 因子与「策略里的指标」不同：策略在 handle_data 里手算 ma5 再下单；因子研究把 ma5 之类封装成可复算、可批量、可评价的因子对象——为后续「因子有效性检验」提供输入。

可操作

• 自定义因子模板（参数与逻辑）：
  1. from jqfactor import Factor, calc_factors（raw 示例还需 numpy 做 power/sqrt）。
  2. 类属性：name（自定义且不与基础因子冲突）、max_window（日级窗口）、dependencies（价量/财务/行业/概念/指数/资金流）。
  3. calc(self, data)：从 data[依赖名]（DataFrame）算出因子值并返回。
• 财务因子常用技巧：单季字段后加 _1/_2/_3 取前三报告期，做 TTM（四期求和）；N 最大 7。
• 计算调用：factors = calc_factors(股票列表, [因子对象...], start_data=起, end_data=止)；用 factors[因子.name] 取 DataFrame，.head() 预览。
• 示例参数：ALPHA013 = (√(high×low) − vwap) 均值；GROSSPROFITABILITY = (营业总收入−营业总成本)/总资产 均值。
• 用途方向：把因子值当排序/筛选依据，即可做单因子选股回测（承接第 5 章市值轮动的「按因子排序取前 N」模式）。

术语

• Factor / calc：因子基类与计算钩子。
• name / max_window / dependencies：因子名 / 窗口 / 依赖。
• TTM：滚动四季度（trailing twelve months）。
• calc_factors：批量算因子函数。
• 行业/概念/指数因子（bool）、资金流因子。
• VWAP：成交量加权均价（此处 money/volume 近似）。

不确定 / 待验证

• raw 示例 securities = ['600000.SXHG', '600016.XSHG'] 中 600000.SXHG 是笔误（应为 .XSHG）→ 落地修正。
• raw 里 calc_factors(... GROSSPROFITABILIT() ...) 与返回 key 用 'alpha013_name'、示例结尾 print 的是 factors['alpha013_name']，但两个因子类的 name 分别为 'alpha013_name' 与 'gross_profitability'；start_data/end_data 拼写来自 raw（官方签名可能为 start_date/end_date）→ [需要验证] 以官方 jqfactor 文档为准。
• OR_TT 示例把 ttm.mean() 写在返回处，但变量是 Series 语义上应直接返回序列；「财务指标」与 get_fundamentals 的对应关系本篇未展开。

相关

• 简单市值轮动策略 — 「按因子排序取前 N」的选股模式
• 使用 JoinQuant 编写一个策略 — get_fundamentals 财务字段基础
• 聚宽因子分析 API（Factor 与 calc_factors） — 本篇 API 的 concept 化
• 聚宽行情与财务数据获取 API — 价量/财务数据依赖
• 聚宽新手入门教程（JoinQuant 平台实操） — 本教程总览