factor_factory

我的因子与回测研究开发工具

FactorStrategy 模块

概述

FactorStrategy 是一个用于多因子选股的 Python 工具库，旨在帮助用户通过灵活的表达式计算因子值，并生成交易信号。该模块支持多种因子计算函数，包括截面数据函数和时间序列数据函数，用户可以直接输入列名（如 close、open）和函数（如 rank、ts_rank）来计算因子值。

核心功能

1. 因子计算：

   • 支持用户通过表达式动态计算因子值。
   • 提供多种内置函数，包括截面数据函数和时间序列数据函数。

2. 交易信号生成：

   • 根据因子值对股票进行排序。
   • 生成买入信号（因子值最高的前三名）和卖出信号（因子值最低的后三名）。

3. 回测功能：

   • 支持简单的回测，计算投资组合的最终价值。

核心设计思想

1. 动态表达式解析

FactorStrategy 模块的核心是通过 eval 函数动态解析用户输入的表达式。为了实现这一点，我们做了以下操作：

• 将 DataFrame 的列添加到局部变量： 通过 self.data.to_dict('list')，将 DataFrame 的所有列名和列数据作为局部变量传递给 eval。这样，用户可以直接在表达式中使用列名（如 close、open），而不需要写成 data['close'] 或 data['open']。

• 将自定义函数添加到局部变量： 我们将常用的因子计算函数（如 rank、ts_rank）添加到局部变量中，用户可以在表达式中直接调用这些函数。

2. 支持的函数

FactorStrategy 模块支持以下常用函数：

截面数据函数

• rank(series)：对当前截面数据进行排名。
• zscore(series)：对当前截面数据进行标准化（Z-score）。
• scale(series)：将当前截面数据缩放到 [0, 1] 范围。
• decile(series)：将当前截面数据分为 10 个分位数（decile）。
• quantile(series, q)：将当前截面数据分为指定分位数（如 quantile(close, 0.25) 表示 25% 分位数）。

时间序列数据函数

• ts_rank(series, window)：计算过去 window 天内的排名。
• ts_zscore(series, window)：计算过去 window 天内的 Z-score。
• ts_mean(series, window)：计算过去 window 天内的均值。
• ts_std_dev(series, window)：计算过去 window 天内的标准差。
• ts_max(series, window)：计算过去 window 天内的最大值。
• ts_min(series, window)：计算过去 window 天内的最小值。
• ts_sum(series, window)：计算过去 window 天内的总和。
• ts_delta(series, window)：计算过去 window 天内的变化量（当前值减去 window 天前的值）。
• ts_returns(series, window)：计算过去 window 天内的收益率。

其他函数

• correlation(x, y, window)：计算 x 和 y 在过去 window 天内的相关系数。
• covariance(x, y, window)：计算 x 和 y 在过去 window 天内的协方差。
• residual(x, y)：计算 x 对 y 的回归残差（用于 alpha 因子）。

3. 表达式示例

用户可以直接输入以下表达式来计算因子值：

1. 简单表达式：

   • close + open：计算收盘价和开盘价的和。
   • close - open：计算收盘价和开盘价的差。

2. 使用函数：

   • rank(close)：对收盘价进行排名。
   • ts_rank(close, 5)：计算过去 5 天的收盘价排名。
   • correlation(close, open, 10)：计算过去 10 天内收盘价和开盘价的相关系数。

4. 使用示例

以下是一个完整的使用示例：

# 示例数据
data = {
    'stock': ['AAPL', 'GOOGL', 'MSFT', 'AMZN', 'TSLA', 'NVDA'],
    'price': [150, 2800, 300, 3400, 700, 600],  # 假设当前价格
    'open': [145, 2750, 290, 3350, 680, 590],  # 假设开盘价
    'close': [155, 2850, 310, 3450, 720, 610]  # 假设收盘价
}
df = pd.DataFrame(data)

# 初始化因子选股策略
factor_expression = "ts_rank(close, 3)"  # 用户输入的表达式
strategy = FactorStrategy(df, factor_expression)

# 计算因子值
strategy.calculate_factor()

# 对股票进行排序
strategy.rank_stocks()

# 生成交易信号
strategy.generate_signals()

# 回测策略
strategy.backtest(initial_capital=100000)