A股多因子模型#

数据源#

bash

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"

# 个股K线（计算动量/波动率因子）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [日期]

# 实时行情（市值/PE/PB等）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],...

# 财务指标（ROE/营收增速等基本面因子）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]

量化计算：

bash

QSCRIPTS="$SKILLS_ROOT/a-share-multifactor-model/scripts"
# 多因子回归
python "$QSCRIPTS/multifactor_builder.py" --returns returns.csv --factors "size,value,momentum" --method ols

Workflow#

Step 1: 确定因子体系#

根据用户需求选择因子集：

• Barra CNE5 风格：Size/Beta/Momentum/ResidVol/NLSize/BP/Liquidity/EarningsYield/Growth/Leverage
• 自定义因子：用户指定的因子组合
• 通过 cn-stock-data 获取原始数据（行情+财务）

Step 2: 因子计算与标准化#

1. 从原始数据计算因子值
2. 去极值（MAD 法 ±3 倍）
3. 标准化（Z-score）
4. 缺失值处理（行业均值填充）

Step 3: 截面回归估计因子收益#

1. 每期对股票收益 vs 因子暴露做 OLS 回归
2. 回归系数即为因子收益率
3. 计算因子收益的 t 统计量

Step 4: 构建风险模型#

1. 因子协方差矩阵（指数加权）
2. 特质风险估计（回归残差的波动率）
3. 股票层面的风险分解

Step 5: 输出#

维度formal（完整因子报告）brief（快速分析）因子定义完整因子体系说明仅列出因子名因子收益完整时序+统计检验近期因子收益排名暴露分析个股因子暴露详表关键因子暴露值风险模型协方差矩阵+特质风险无图表因子收益累计曲线无

默认风格：brief。用户要求"详细"/"完整模型"时切换为 formal。

关键规则#

1. 因子暴露需经行业和市值中性化处理
2. 因子协方差使用半衰期 90 天的指数加权
3. 特质收益率需检验正态性假设
4. A 股需剔除 ST 股和次新股（上市<60日）
5. 行业分类默认使用申万一级（31 个行业）