quanxiel/alpha/多因子选股策略.ipynb

多因子选股策略 — 构建与回测

策略思路

多因子模型（Multi-Factor Model）综合多个维度的因子，分散单一因子的风险，提升选股稳健性。 本策略合成 四大类因子：

因子类别	具体因子	代表逻辑
动量	20日收益率	强者恒强
低波	20日波动率倒数	低波动溢价
价值	EP (PE倒数)	低估值
质量	ROE	高盈利能力

每月调仓，综合得分最高的股票入选。

研究流程

1. 加载数据
2. 各因子计算与 IC 分析
3. 等权合成多因子 + 分层回测
4. 构建策略并回测
5. 绩效评估

In [ ]:

import sys
sys.path.insert(0, '..')

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from alpha.config import AlphaConfig
from alpha.factors import FactorAnalyzer
from alpha.strategy import Strategy, QuantileSignal, EqualWeightAllocator
from alpha.backtest import BacktestEngine
from alpha.evaluation import PerformanceEvaluator
from alpha.data_loader import DataLoader

%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

print('模块导入成功')

1. 加载数据

In [ ]:

START_DATE = '2020-01-01'
END_DATE   = '2024-12-31'

loader = DataLoader()

# 价格 + 估值 + 财务
price_data = loader.load_prices(START_DATE, END_DATE)
pe_data = loader.load_factor('pe_ttm', START_DATE, END_DATE)
roe_data = loader.load_factor('roe', START_DATE, END_DATE)

print(f'价格数据: {price_data.shape}')
print(f'PE(TTM)数据: {pe_data.shape}')
print(f'ROE数据: {roe_data.shape}')

2. 各因子计算与 IC 分析

In [ ]:

# ---- 截面标准化函数 ----
def zscore_cross_section(df):
    return (df - df.mean(axis=1)) / (df.std(axis=1) + 1e-12)

# ---- 1. 动量因子 (20日收益率) ----
momentum = price_data.pct_change(20)
z_mom = zscore_cross_section(momentum)

# ---- 2. 低波因子 (20日波动率倒数) ----
daily_ret = price_data.pct_change()
volatility = daily_ret.rolling(20).std()
z_lowvol = -zscore_cross_section(volatility)  # 波动越小越好

# ---- 3. 价值因子 (EP = 1/PE) ----
ep = 1.0 / pe_data.where(pe_data > 0)
z_value = zscore_cross_section(ep)

# ---- 4. 质量因子 (ROE) ----
z_quality = zscore_cross_section(roe_data)

# ---- 汇总各因子 ----
factors = {
    '动量': momentum,
    '低波': -volatility,
    '价值': ep,
    '质量': roe_data,
}

# 未来 10 日收益率
fwd_10d = price_data.pct_change(10).shift(-10)

# 各因子 IC 对比
print('各因子 IC 汇总 (未来10日):')
ic_results = {}
for name, fac in factors.items():
    a = FactorAnalyzer(fac.stack(), fwd_10d.stack())
    s = a.ic_summary()
    ic_results[name] = s
    print(f'  {name}: IC均值={s["IC_Mean"]:.4f}, ICIR={s["IR"]:.4f}, '
          f'IC>0占比={s["IC>0_Ratio"]:.2%}')

3. 合成多因子与分层回测

等权合成综合得分：

Score = \frac{1}{4}(Z_{Momentum} + Z_{LowVol} + Z_{Value} + Z_{Quality})

In [ ]:

# 等权合成综合得分
multi_factor = (z_mom + z_lowvol + z_value + z_quality) / 4

# 分层回测
analyzer = FactorAnalyzer(multi_factor.stack(), fwd_10d.stack())
quantile_ret = analyzer.quantile_returns(n_quantiles=5)
print('多因子分层收益 (Q1=综合得分最低, Q5=最高):')
print(quantile_ret)

quantile_ret['avg_return'].plot(kind='bar', figsize=(8, 4), color='steelblue')
plt.title('多因子合成分层收益 (未来10日)')
plt.ylabel('平均收益率')
plt.grid(True, alpha=0.3)
plt.show()

4. 构建策略并回测

In [ ]:

# 回测配置
config = AlphaConfig(
    initial_cash=1_000_000,
    commission_rate=0.0003,
    slippage=0.001,
    stamp_tax=0.001,
)

# 多因子策略：持有综合得分最高的 20% 股票
strategy = Strategy(
    name='多因子选股策略-动量+低波+价值+质量',
    factors=[],
    signal_generator=QuantileSignal(
        n_quantiles=5, long_quantile=5, short_quantile=0,
    ),
    weight_allocator=EqualWeightAllocator(max_positions=10),
    description='每月持有动量/低波/价值/质量四因子综合得分最高的20%股票'
)

engine = BacktestEngine(config)
equity_curve = engine.run(
    strategy=strategy,
    price_data=price_data,
    factor_data={'multi': multi_factor},
    rebalance_freq='M',
)

print(f'回测完成, 共 {len(equity_curve)} 个交易日')
print(f'累计收益率: {(equity_curve["nav"].iloc[-1] - 1) * 100:.2f}%')

5. 净值曲线与回撤

In [ ]:

fig, axes = plt.subplots(2, 1, figsize=(14, 8))

# 净值曲线
axes[0].plot(equity_curve.index, equity_curve['nav'], label='策略净值', color='darkred')
axes[0].axhline(y=1.0, color='gray', linestyle='--')
axes[0].set_title('多因子选股策略净值曲线')
axes[0].legend()
axes[0].grid(True, alpha=0.3)

# 回撤曲线
nav = equity_curve['nav']
running_max = nav.cummax()
drawdown = (nav - running_max) / running_max
axes[1].fill_between(equity_curve.index, 0, drawdown.values, color='red', alpha=0.3)
axes[1].set_title('回撤曲线')
axes[1].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

6. 绩效评估

In [ ]:

# 基准：股票池等权组合
bench_ret = price_data.pct_change().mean(axis=1)

evaluator = PerformanceEvaluator(equity_curve, benchmark_returns=bench_ret, risk_free_rate=0.03)
print(evaluator.summary())

report_df = evaluator.full_report()
pd.DataFrame(list(report_df.items()), columns=['指标', '数值']).set_index('指标')

---

因子权重敏感性分析

对比等权合成与单因子策略的 IC 表现：

In [ ]:

# 单因子 vs 多因子 IC 对比
all_factors = {
    '动量': z_mom,
    '低波': z_lowvol,
    '价值': z_value,
    '质量': z_quality,
    '多因子(等权)': multi_factor,
}

print(f"{'因子':<12} {'IC均值':>8} {'ICIR':>8} {'IC>0占比':>10}")
print('-' * 42)
for name, fac in all_factors.items():
    a = FactorAnalyzer(fac.stack(), fwd_10d.stack())
    s = a.ic_summary()
    print(f"{name:<12} {s['IC_Mean']:>8.4f} {s['IR']:>8.4f} {s['IC>0_Ratio']:>10.2%}")